Spark中文件格式、压缩和序列化

1.1 文件格式

1.1.1 行存储：

特点：适合OLTP，写密集的场景(或是要求所有列的查询)；

• text：spark直接读入并按行切分；需要保持一行的size在合理的范围；支持有限的schema；
• csv：常用于日志收集，写性能比读性能好，缺点是文件规范不够标准(例如分隔符、转义符、引号），对嵌套类型支持不足等；
• json：通常被当做一个结构体，需要注意key的数目(容易OOM)，对schema支持不够好；优点是轻量、便于部署和debug；属于半结构化的文本结构；

1.1.2 列存储：

特点：适合OLAP，读密集的场景，可以列裁剪，压缩率高；

• parquet：

• 文件组织格式：首尾都有magic number校验这个是parquet文件；Footer放在文件末尾，存放了元数据信息，包括schema信息，以及以及每个row group的meta data和统计信息；row group(默认128M)是一批行数据的组成(例如0~1万行数据)，row group中的每个column是一个列；一个列又分为多个page(默认1M)页，页是最小的编码单位；二进制存储；

• 谓词下推：parquet原生支持谓词下推；parquet每次扫描一个row group的数据，每个row group都是按列存储的，便可以只读取需要的column chunk列块，每个column chunk会生成统计信息(最大值、最小值、空值个数)，通过这些统计信息和该列的过滤条件，可以判断该row group是否需要扫描；

• 应用：存储parquet文件时，通常会按照HDFS的Block大小设置row group的大小，因为MR和Spark在读取文件时一个task读取的最小单元就是一个Block，这样可以增大任务的并行度；相对于ORC格式，parquet对嵌套类型的支持更好，内部默认使用snappy压缩；但是压缩率、查询性能比ORC差一点点(有的测试比ORC要好)，并且不支持update和acid，但是olap场景也不需要update和acid；常用于impala和spark；spark中row group大小为 parquet.block.size(默认128M，压缩后的)，row group是一个切片的最小单位；page大小为parquet.page.size(默认1M，压缩后的)，page是压缩和一次读取的最小单位；

• spark和hive读取parquet：spark会使用自定义的serde来读取parquet文件(性能更高)，如果读取异常，可以改用hive的serde来读取，将参数spark.sql.hive.convertMetastoreParquet(默认true)设为false即可；spark在处理时会缓存parquet的元数据信息，如果其他地方修改了，需要手动刷新；

• 结合压缩： parquet + snappy(lzo)的方式用的较多；这里要特别注意snappy压缩，如果用snappy对一个text文件压缩，那么这个文件是不可分割的，而使用snappy对parquet内部的page压缩，则内部压缩后的文件是可分割的，并且读取时是以row group为切片的；orc同理；parquet+snappy综合性能最高；spark中parquet的压缩格式是spark.sql.parquet.compression.codec(默认是snappy)；

• ORC：

• 文件组织格式：与parquet类似，Postscript保存该表的行数、压缩参数等信息；File Footer保存各个stripe的位置信息，列的类型，以及表的统计信息(最大值、最小值、行计数等)；stripe条带(对应parquet的row group)大小为HDFS的Block大小，其中分为三部分：stripe footer保存stripe位置，stripe的统计信息；row data就是具体的数据，由row group组成，一个row group默认1万行数据；index data保存每个row group的metadata stream具体位置；metadata stream保存了每一个row group在data stream中的位置和统计信息；
• 谓词下推：同样的ORC也支持列裁剪，并且ORC保存了三个层级的统计信息：file footer保存了文件级别的统计信息；stripe footer保存了stripe级别的统计信息；metadata stream中保存了row group级别的统计信息；例如某个stripe的max(a)=10, min(a)=3，当where a > 10或者where a<3时，那么这个stripe就可以跳过，不用读取；
• 应用：spark中ORC内部默认使用snappy压缩；支持数据update和acid，但是对嵌套类型支持不好；

1.2 文件压缩

1.2.1 spark默认支持的压缩格式

• snappy：压缩率22%，parquet格式可达到14%；不可分割；压缩解压速度特别快(250M/s~500M/s)；parquet用；
• gzip：压缩率13.4%，parquet格式可达到6%；不可分割；压缩(17.5M/s)，解压(58M/s)速度慢；大文件用；
• lzo：压缩率20.5%，可分割；压缩(49M/s)，解压(74M/s)速度较快；支持分割，但是要建索引文件；
• lz4：spark2.2默认的压缩格式；不可分割；压缩率不好(30%?)，但是压缩和解压速度非常快(400M/s~4000M/s)，比gzip快一个量级，比snappy还快一点；spark2.2之前默认使用snappy压缩；

1.2.2 spark可压缩的地方

压缩格式：spark.io.compression.codec（默认lz4，spark2.2之前是snappy）

• rdd缓存(spark.rdd.compress默认false)：由于rdd缓存到磁盘就是想用磁盘IO换取cpu计算；缓存到内存要考虑缓存的大小，要考虑内存gc问题；而使用压缩会增加cpu计算，所以默认是关闭的；如果磁盘IO或者gc成为问题且没有更好的解决方法，就可以考虑开启rdd缓存压缩，压缩后的数据量少了，对磁盘IO和gc都有提升；要启用rdd缓存压缩，存储级别就必须带序列化；
• 广播变量(spark.broadcast.compress默认true)：广播是每个executor的第一个task启动时，获取一份广播数据，之后的task都从本地的BlockManager中获取；广播时有网络IO，并且要存储在本地的BlockManager中，所以默认是开启的；
• shuffle输出(spark.shuffle.compress默认true)：shuffle最后输出的data文件压缩；要考虑CPU负载与IO负载(磁盘IO和网络IO)，如果CPU负载影响远大于IO负载，则可以关闭该参数；
• shuffle溢写(spark.shuffle.spill.compress默认为true)：shuffle溢写的中间文件压缩；由于中间溢写的文件不需要经过网络IO，并且需要在一个task中同时执行压缩和解压缩，对cpu负载较大；所以对于cpu负载较大，磁盘IO性能好的任务，可以考虑关闭该参数；

1.3 序列化格式

• 序列化的地方：广播变量、shuffle数据、缓存rdd(缓存级别带序列化SER)等；

• Kryo序列化：Kryo序列化性能(大小和时间)是spark默认的java序列化的10倍(实际中可能3~6倍)；但是Kryo需要注册自定义的类才能达到高性能，这也是spark默认没有选择Kryo的唯一原因；因为如果不注册自定义的类，Kryo需要为每一个对象保存它的全类名，这是非常浪费的；所以序列化大量没有注册的自定义对象时，序列化后的大小甚至会大于java序列化后的大小还大，但是序列化的时间还是优于java序列化的；

• 使用步骤：设置spark的序列化器，注册自定义类型；

val conf = new SparkConf()
// 设置序列化器为KryoSerializer。
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
// 注册要序列化的自定义类型。
conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]))

5，Spark中文件格式、压缩和序列化