文件格式对比ORC-Parquet，存储格式对比Gzip-Bzip2-Snappy

Posted 2023-03-03 榛西

Parquet和ORC对比

1.存储文件的压缩比总结：ORC >  Parquet 

2.存储文件的查询速度总结：查询速度相近，ORC好一点点

3.可兼容的平台：ORC常用于Hive、Presto；
                            Parquet常用于Impala、Drill、Spark、Arrow；
                            Avro常用于Kafka、Druid

             impala和spark现在很流行所以parquet存储格式流行

4.orc支持事务表分桶update操作，parquet完全不支持

5.处理深层次文件  parquet设计之初就是为了处理嵌套式数据如json。除此之外没有比ORC好太多的地方

Gzip-Bzip2-Snappy压缩格式对比

名	GZip	BZip2	LZO	Snappy
HadoopCodec类	GzipCodec	Bzip2Codec	LzopCodec	SnappyCodec
算法	Deflate	GZip2	LZO	Snappy
文件扩展名	.gz	.bz2	.lzo	.snappy
Hadoop内嵌	是	是	否	否
可切片	否	是	是	否
压缩比(测试值)	2 (13.4%)	1 (13.2%)	3 (20.5%)	4 (22.2%)
压缩速率	3 (21MB/S)	4 (2.4MB/S)	2 (135MB/S)	1 (172MB/S)
解压速率	3 (118MB/s)	4 (9.5MB/s)	1 (410MB/s)	2 (409MB/S)
特点	GZip压缩比高，大部分Linux系统自带Gzip命令，Hadoop原生就支持使用很方便；速度较慢，而且不支持切片	BZip2压缩比最高，但速度实在太慢了	压缩比尚可，速度快，支持切片（需要建立索引，且文件修改后要重建索引，还需将 InputFormat 指定为Lzo）。支持hadoop native库，但不是Hadoop自带，需要自己安装。	压缩比最低，但速度最快，但不支持切片。支持hadoop native库，但不是Hadoop自带，需要自己安装。需要注意的是，实际生产环境中Snappy的表现通常比 LZO 好，应当进行测试对比再决定。
使用场景	如果压缩后大小和Block差不多大可以使用。也适合磁盘不富裕要求压缩比且对压缩时间无特别要求的场景，如异步离线压缩归档，比如HBase写入后的刷盘	适合很老的、极低频使用的历史文件（冷数据）归档 Bzip2压缩解压的速度都非常慢，现在使用愈来愈少	特点是支持切片	实时写入的Hive底层HDFS文件可用LZO方式压缩 Snappy解压速度最快，对解压速度要求高的场景使用比较多，Hadoop平台上使用最广泛