ORC格式文件

ORC文件

一、ORC储存格式

ORC的全称是(Optimized Record Columnar)，优化后的列式记录，ORC在RCFile的基础上进行了一定的改进，所以与RCFile相比，具有以下一些优势：

• ORC中的特定的序列化与反序列化操作可以使ORC file writer根据数据类型进行写出。
• 提供了多种RCFile中没有的indexes，这些indexes可以使ORC的reader很快的读到需要的数据，并且跳过无用数据，这使得ORC文件中的数据可以很快的得到访问。
• 由于ORC file writer可以根据数据类型进行写出，所以ORC可以支持复杂的数据结构（比如Map， Struct等）。
• ORC的stripe默认大小更大，为ORC writer提供了一个memory manager来管理内存使用情况。

二、ORC数据存储方法

在ORC格式的hive表中，数据首先会被按照行切分成多个stripes，之后在每个stripe内数据按列为单位进行存储，所有列的内容都保存在同一个文件中。每个stripe的大小默认为256MB, 与RCFile的4MB的stripe相比， ORC格式的文件读取更加高效。
对于复杂的数据类型，比如Map，ORC文件会将一个复杂数据类型字段解析成多个子字段。如下表所示：

date type	child columns
Array	一个包含数组所有元素的子字段
Map	两个子字段，一个key字段，一个value字段
Struct	每一个属性对应一个子字段
Union	每一个属性对应一个子字段

当字段类型都被解析后，会由这些字段类型组成一个字段树，只有树的叶子节点才会保存表数据，这些叶子节点中的数据形成一个数据流，如上图中的Data Stream。
　　为了使ORC文件的reader更加高效的读取数据，字段的metadata会保存在Meta Stream中。在字段树中，每一个非叶子节点记录的就是字段的metadata，比如对一个array来说，会记录它的长度。下图根据表的字段类型生成了一个对应的字段树。
　　

参考资料

http://lxw1234.com/archives/2016/04/630.htm