Athena (Hive/Presto) Parquet vs ORC 计数查询

Question

我正在 athena 中以 parquet 和 orc 格式测试一个大型数据集（1.5TB，5.5b 条记录）。我的第一个测试是一个简单的，计数查询-

SELECT COUNT(*) FROM events_orc
SELECT COUNT(*) FROM events_parquet

parquet 文件作为 orc 文件运行此查询需要一半时间。但我注意到的一件事是，当对 parquet 文件运行计数时，它会在扫描字节时返回 0kb，而对于 orc，它会返回 78gb。这对镶木地板很有意义，因为计数在元中，无需扫描字节。 orc 也有一个带有计数的元数据，但它似乎没有使用该元数据来确定这些文件的计数。

为什么 Athena 不使用 orc 文件中的元数据来确定计数，而在 parquet 文件中显然是这样做的？

Answer 1

正如您所说，答案是 Athena 读取 Parquet 元数据，而不是 ORC。除了该功能不在 Athena 使用的 Presto 和/或 ORC serde 版本中之外，没有其他理由。

我还注意到 Athena 在使用 ORC 时读取了太多数据，它不会跳过它应该跳过的列，等等。我认为 Athena ORC serde 只是旧的并且没有你所期望的所有优化。 Athena 毕竟是基于一个非常古老的 Presto 版本。

Answer 2

这取决于这些 ORC 文件是如何创建的。您能否解释一下您是如何在数据中进行 ETL 以及表定义是什么？

ORC 的索引很少：

索引 ORC 在每个文件中提供三个级别的索引：

文件级别：

关于整个文件每列中的值的统计信息

条带级别：

关于每个列中每个值的统计信息 条纹

行级：

关于每组 10,000 行的每列中的值的统计信息 在条带内 文件和条带级别的列统计信息位于 文件页脚，以便它们易于访问以确定其余部分是否 文件的所有内容都需要读取。行级索引包括 每个行组的列统计信息和查找的位置 到行组的开头。

Athena 就像 PrestoDb 一样，Athena 使用的查询引擎可以使用这些索引来加速查询。

如果 Athena 不使用这些信息进行查询，我会感到非常惊讶。