今天介紹一種大數據時代有名的列式存儲文件格式：Parquet，被廣泛用于 Spark、Hadoop 數據存儲。Parquet 的中文是鑲木地板，意思是結構緊湊，空間占用率高。注意，Parquet 是一種文件格式！

背景

2010年 google 發(fā)表了一篇論文《Dremel: Interactive Analysis of Web-Scale Datasets》，介紹了其 Dermel 系統是如何利用列式存儲管理嵌套數據的，嵌套數據就是層次數據，如定義一個班級，班級由同學組成，同學的信息有學號、年齡、身高等。

Parquet 是 Dremel 的開源實現，作為一種列式存儲文件格式，2015年稱為 Apache ***項目，后來被 Spark 項目吸收，作為 Spark 的默認數據源，在不指定讀取和存儲格式時，默認讀寫 Parquet 格式的文件。

今天不介紹嵌套數據是如何映射到每一列了，簡單來說就是把不同層級的屬性拍到一級，類似降維打擊。這樣，一個嵌套數據可以看成獨立的多個屬性，每一個屬性就是一列，和表結構差不多。

[[235092]]

寫流程

雖然是按列存儲，但數據是一行一行來的，那什么時候將內存中的數據寫文件呢？我們知道文件只能順序寫，假如每收到一行數據就寫入磁盤，那就是行式存儲了。

一個解決方案是為每個列開一個文件，假如數據有 n 個屬性，就需要 n 個文件，每次寫數據就需要追加到 n 個文件中。但是對于文件格式來說，用戶肯定希望把復雜的數據存到一個文件中，而不希望管理一堆小文件（可以想象你做了一個ppt，每一頁存成了一個文件），所以一個 Parquet 文件中必須存儲數據的所有屬性。

另一個解決方案是在內存中緩存一些數據，等緩存到一定量后，將各個列的數據放在一起打包，這樣各個包就可以按一定順序寫到一個文件中。這就是列式存儲的精髓：按列緩存打包。

文件格式

按照上邊這種方式，Parquet 在每一列內也需要分成一個個的數據包，這個數據包就叫 Page，Page 的分割標準可以按數據點數（如每1000行數據打成一個 Page），也可以按空間占用（如每列的數據攢到8KB合成一個 Page）。

一個 Page 的數據就是一列，類型相同，在存儲到磁盤之前一般都會進行編碼壓縮，為了快速查詢、也為了解壓縮這一個 Page，在寫的時候先統計一下***最小值，叫做 PageHeader，存儲在 Page 的開頭，其實就是 Page 的 元數據（metadata）。PageHeader 后邊就是數據了，讀取一個 Page 時，可以先通過 PageHeader 進行過濾。

Parquet 又把多個 Page 放在一起存儲，叫 Column Chunk。于是，每一列都由多個 Column Chunk 組成，并且也有其對應的 ColumnChunk Metadata。注意，這只是一個完整數據的一個屬性，一個數據的多個屬性要放在多個 Column Chunk 的，這多個 Column Chunk 放在一起就叫做一個 Row Group。

下邊這就是 Parquet 官方介紹：

4-byte magic number "PAR1" 
<Column 1 Chunk 1 + Column Metadata> 
<Column 2 Chunk 1 + Column Metadata> 
... 
<Column N Chunk 1 + Column Metadata> 
<Column 1 Chunk 2 + Column Metadata> 
<Column 2 Chunk 2 + Column Metadata> 
... 
<Column N Chunk 2 + Column Metadata> 
... 
<Column 1 Chunk M + Column Metadata> 
<Column 2 Chunk M + Column Metadata> 
... 
<Column N Chunk M + Column Metadata> 
File Metadata 
4-byte length in bytes of file metadata 
4-byte magic number "PAR1" 

magic number 就類似水印，***有整個文件的 Metadata。還是看圖吧，Parquet 的官方文件格式圖是下面這樣的：

左邊是數據，右邊是 File Metadata。

如果覺得太復雜了，可以看我畫的簡潔版：

是不是清爽很多！File Metadata 中有對應的 Row Group Metadata，里面還有 Column Chunk Metadta，和數據的組織形式類似，就不展開畫了。

Parquet 的接口就不介紹了，有興趣的去吧：

https://github.com/apache/parquet-format

總結

列式存儲文件格式到底有多列，取決于每列在內存中緩存的數據量，由于同一列的各個 Page 相互獨立，如果每個 Page 只緩存一個數據點，就退化成行式存儲了（比行式存儲還差）。因此，列式存儲有一個需要注意的就是列不能太多，這是個大坑。

跟我們之前介紹的文件格式比，Parquet 只是多了幾層而已，只要掌握了文件格式的基本原理，各種文件格式都可以快速上手。