首页
/ Apache Parquet格式2.11.0版本深度解析

Apache Parquet格式2.11.0版本深度解析

2025-06-25 14:26:36作者:宣海椒Queenly

Apache Parquet是一种面向列的数据存储格式,专为高效的大规模数据处理而设计。它采用了复杂的压缩和编码技术,能够显著减少存储空间占用并提高查询性能。Parquet格式特别适合用于数据分析工作负载,被广泛应用于Hadoop生态系统和各种大数据处理框架中。

核心改进与特性

2.11.0版本在数据编码、类型系统和文档完善等方面进行了多项重要改进:

1. BYTE_STREAM_SPLIT编码扩展

此版本扩展了BYTE_STREAM_SPLIT编码的支持范围,现在可以处理INT32、INT64和FIXED_LEN_BYTE_ARRAY数据类型。这种编码方式特别适合浮点数据,通过将字节流拆分存储,可以提高压缩效率和解压速度。

2. 新增Variant逻辑类型

引入了一个重要的新逻辑类型——Variant,用于表示半结构化数据。Variant类型可以存储多种数据形式,包括:

  • 基本数据类型(布尔值、整数、浮点数等)
  • 字符串
  • 二进制数据
  • 复杂结构(列表、映射等)
  • 时间类型(时间戳、日期等)
  • UUID

这种类型的加入大大增强了Parquet处理JSON等半结构化数据的能力。

3. 几何数据类型支持

新增了GEOMETRY和GEOGRAPHY两种逻辑类型,为地理空间数据处理提供了原生支持。这使得Parquet能够更高效地存储和查询地理信息数据。

编码与压缩优化

2.11.0版本对几种编码方式进行了澄清和优化:

  1. 明确了DELTA_BINARY_PACKED编码的行为细节,确保实现一致性
  2. 统一了BYTE_ARRAY类型的使用规范,减少歧义
  3. 完善了BYTE_STREAM_SPLIT编码的文档说明

文档与规范完善

此版本对Parquet格式规范进行了大量澄清和完善:

  1. 修正了INTERVAL类型的排序顺序说明,明确指出它是未定义的
  2. 完善了压缩部分的文档描述
  3. 澄清了页面索引(page index)的确切含义
  4. 明确了记录(record)不能跨v2页面或PageIndex分割的规则
  5. 统一了文档中"行"(row)术语的使用
  6. 完善了统计信息和列索引中null值数量的处理说明

安全增强

针对加密规范进行了重要更新:

  1. 解决了AES GCM调用限制的问题
  2. 更新了加密规范中的相关描述
  3. 确保了加密实现的安全性

向后兼容性说明

2.11.0版本特别注意保持向后兼容性:

  1. 明确了LIST类型的向后兼容规则
  2. 标记了ColumnChunk::file_offset字段为已弃用
  3. 确保所有变更都不会破坏现有实现

构建与工具链更新

项目构建系统也进行了多项更新:

  1. 升级到Apache父POM 32
  2. 更新Thrift依赖至0.21.0
  3. 支持Java 21 LTS
  4. 移除了过时的开发者信息
  5. 清理了LICENSE文件

总结

Apache Parquet 2.11.0版本通过引入Variant类型和几何数据类型,显著扩展了其应用场景。同时,对现有编码方式的优化和文档的完善,使得这一列式存储格式更加成熟和可靠。这些改进使得Parquet能够更好地满足现代数据分析的需求,特别是在处理半结构化和地理空间数据方面。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.97 K
kernelkernel
deepin linux kernel
C
22
6
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
426
34
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
239
9
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
988
394
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
936
554
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
69