Spark 中关于Parquet的应用与性能初步测试

Spark 中关于Parquet的应用

Parquet简介

Parquet是面向分析型业务的列式存储格式，由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目
http://parquet.apache.org/

Spark关于Parquet的支持

这里我们使用的版本为spark2.0.1，是2016年10月3日发布的最新版本。
Spark可以很好的使用和生成Parquet 文件。下面的截图来自官方文档。




上图的例子中spark读取了一个位于examples/src/main/resources/users.parquet文件夹下的Parquet文件，并对数据进行了筛选后保存在了namesAndFavColors.parquet文件夹中，注意一下，官方文档路径取名加了.parquet,可能会被误解成是一个文件，其实是文件夹，这里自己试一下就可以证实。Spark也支持将jdbc的数据转换成Parquet文件，下面的例子我们将SQLserver中的测试表1转换成Parquet文件。代码如下

生成好了的文件如下图所示，这里的实验环境为Windows，spark local模式，可以看到，文件名格式为*.snappy.parquet,这里的snappy表示的是压缩的方式，当然，这个压缩方式也是有很多种选择的，不过spark在这里选择了用snappy的压缩方式压缩成parquet文件作为默认策略。

我们看下测试表1在SQLserver中的信息，如下图所示：

可以看到这是一张7000w级别的表，表大小为6.5G，压缩过后的大小为768M，压缩后的大小为原文件大小的11%，节约了89%的空间。整个压缩时间耗时约11min，对于大数据平台来说，存储空间也是很重要的资源，而且对于网络传输有很大提升，在分布式计算中，网络传输有时会成为性能瓶颈。我们再用另外一张测试表2做实验

这是一张2.5亿级别的表，表大小为9G，压缩后的大小为3.99G，节约了56%的空间，耗时约17min这是因为列存储格式文件大小不仅和行数有关，也和具体数据有关，不同的数据会有不同的压缩率。 Spark Sql支持直接在sql语句中读取Parquet文件，如下图所示

注意，这个语法是spark2.0开始才支持的新特性，利用这个特性，我们可以跳过建表这个过程直接读取文件的数据。

性能相关

下面我们介绍一下性能。
我们使用三个场景来测试Parquet的性能，这里我们并没有直接去取parquet文件，而是用createOrReplaceTempView方法将其创建为一个view。测试结果如下。

SELECT YEAR(LOGOUT_DT) YR , MONTH(LOGOUT_DT) MTH,Modename,sum(WinCount+LoseCount+DrawCount) GameCount,sum(GameTime) GameTime,sum(GameTime) / sum(WinCount+LoseCount+DrawCount) Avg_GameTime FROM 测试表1 WHERE LOGOUT_DT BETWEEN '2015-01-01' AND '2016-01-01' GROUP BY YEAR(LOGOUT_DT) ,MONTH(LOGOUT_DT) ,Modename limit 1000;

我们再看一下一个对比试验：

Phoenix（poc环境，10台阿里云，集群环境）	110s
spark local(8G,4核，i3-4170，单机模式)	52s
spark 3node(8G,4核，i3-4170，集群环境)	12s
spark 5node (8G,4核，i3-4170，集群环境)	12s
hive 普通存储5node (8G,4核，i3-4170，集群环境)	133s
hive 列存储5node（parquet）(8G,4核，i3-4170，集群环境)	43s

Parquet不仅可以提高spark的查询速度，也可以提高hive的查询速度
集群的计算速度大于单机的计算速度（机器配置相同）
增加计算节点不一定会提高计算速度