C# 实现列式存储数据

C#实现列式存储数据指南

一、列式存储概述

列式存储(Columnar Storage)是一种数据存储方式，它将数据按列而非行组织。与传统的行式存储相比，列式存储在以下场景具有优势：

1. ​分析型查询​：聚合计算、分组统计等操作效率更高
2. ​压缩率更高​：相同数据列式存储通常占用更少空间
3. ​I/O效率更高​：只需读取相关列的数据

二、C#实现列式存储方案

方案1：使用数组实现简单列式存储

public class ColumnarStorage<T>
{
    private readonly List<List<T>> _columns = new List<List<T>>();
    private readonly Dictionary<string, int> _columnIndexes = new Dictionary<string, int>();
    
    public void AddColumn(string columnName, IEnumerable<T> values)
    {
        if (_columnIndexes.ContainsKey(columnName))
            throw new ArgumentException($"Column '{columnName}' already exists");
            
        var column = values.ToList();
        _columns.Add(column);
        _columnIndexes[columnName] = _columns.Count - 1;
    }
    
    public void AddRow(IEnumerable<T> values)
    {
        if (values.Count() != _columns.Count)
            throw new ArgumentException("Number of values doesn't match number of columns");
            
        for (int i = 0; i < values.Count(); i++)
        {
            _columns[i].Add(values.ElementAt(i));
        }
    }
    
    public IEnumerable<T> GetColumn(string columnName)
    {
        if (!_columnIndexes.TryGetValue(columnName, out int index))
            throw new ArgumentException($"Column '{columnName}' not found");
            
        return _columns[index];
    }
    
    public IEnumerable<T> GetRow(int rowIndex)
    {
        return _columns.Select(c => c[rowIndex]);
    }
    
    // 其他方法如查询、聚合等...
}

​​使用示例​​：

var storage = new ColumnarStorage<int>();
storage.AddColumn("ID", new List<int> { 1, 2, 3 });
storage.AddColumn("Value", new List<int> { 10, 20, 30 });

// 添加行(不推荐，因为列式存储通常先定义列再填充数据)
// storage.AddRow(new List<int> { 4, 40 });

// 查询
var values = storage.GetColumn("Value"); // 返回 [10, 20, 30]

方案2：使用专业列式存储库 - Parquet.NET

​​安装NuGet包​​：

dotnet add package Parquet.Net

​​实现示例​​：

using Parquet;
using Parquet.Data;

// 创建数据字段
var fields = new[]
{
    new DataField<int>("id"),
    new DataField<string>("name"),
    new DataField<double>("value")
};

// 创建数据集
var dataSet = new DataSet(fields)
{
    new Row(1, "Item1", 10.5),
    new Row(2, "Item2", 20.3),
    new Row(3, "Item3", 30.7)
};

// 写入Parquet文件
using (var stream = File.Create("data.parquet"))
{
    ParquetWriter.WriteFile(dataSet, stream);
}

// 读取Parquet文件
using (var stream = File.OpenRead("data.parquet"))
{
    var reader = new ParquetReader(stream);
    var ds = reader.ReadDataSet();
    
    foreach (var row in ds[0])
    {
        Console.WriteLine($"{row[0]} {row[1]} {row[2]}");
    }
}

方案3：使用内存列式存储 - Apache Arrow

​​安装NuGet包​​：

dotnet add package Apache.Arrow

​​实现示例​​：

using Apache.Arrow;
using Apache.Arrow.Arrays;

// 创建列
var idColumn = new Int32Array.Builder()
    .Append(1)
    .Append(2)
    .Append(3)
    .Build();

var nameColumn = new BinaryArray.Builder(BinaryArrayBuilderOptions.Default)
    .Append("Item1")
    .Append("Item2")
    .Append("Item3")
    .Build();

var valueColumn = new DoubleArray.Builder()
    .Append(10.5)
    .Append(20.3)
    .Append(30.7)
    .Build();

// 创建表
var schema = new Schema(new[]
{
    new Field("id", new Int32Type()),
    new Field("name", new BinaryType()),
    new Field("value", new DoubleType())
});

var table = new Table(schema, new[] { idColumn, nameColumn, valueColumn });

// 序列化为Arrow格式
using (var stream = File.Create("data.arrow"))
{
    var writer = new ArrowStreamWriter(table, new MessageSerializer(), stream);
    writer.WriteTable(table);
    writer.Dispose();
}

// 从Arrow文件读取
using (var stream = File.OpenRead("data.arrow"))
{
    var reader = new ArrowStreamReader(stream);
    var table = reader.ReadNextTable();
    
    foreach (var row in table.ToEnumerable())
    {
        Console.WriteLine($"{row[0]} {row[1]} {row[2]}");
    }
}

三、列式存储优化技巧

1. 数据压缩

​​使用Parquet的压缩选项​​：

var writerProperties = new WriterProperties(
    CompressionCodec.Snappy // 使用Snappy压缩
);

using (var stream = File.Create("compressed.parquet"))
{
    ParquetWriter.WriteFile(dataSet, stream, writerProperties);
}

2. 列式查询优化

​​实现列式索引​​：

public class ColumnIndex<T>
{
    private readonly Dictionary<T, List<int>> _index = new Dictionary<T, List<int>>();
    
    public void Build(IEnumerable<T> column)
    {
        int rowIndex = 0;
        foreach (var value in column)
        {
            if (!_index.ContainsKey(value))
                _index[value] = new List<int>();
                
            _index[value].Add(rowIndex++);
        }
    }
    
    public IEnumerable<int> Lookup(T value)
    {
        return _index.TryGetValue(value, out var rows) ? rows : Enumerable.Empty<int>();
    }
}

3. 内存映射文件

​​使用MemoryMappedFile处理大文件​​：

using var mmf = MemoryMappedFile.CreateFromFile("large.parquet");
using var accessor = mmf.CreateViewAccessor();

// 直接访问文件中的特定列数据

四、完整示例：实现简单的列式数据库

public class ColumnarDatabase
{
    private readonly Dictionary<string, List<object>> _columns = new();
    private readonly Dictionary<string, Type> _columnTypes = new();
    
    public void CreateTable(IEnumerable<string> columnNames, IEnumerable<Type> columnTypes)
    {
        if (columnNames.Count() != columnTypes.Count())
            throw new ArgumentException("Column names and types count mismatch");
            
        for (int i = 0; i < columnNames.Count(); i++)
        {
            _columns[columnNames.ElementAt(i)] = new List<object>();
            _columnTypes[columnNames.ElementAt(i)] = columnTypes.ElementAt(i);
        }
    }
    
    public void InsertRow(IEnumerable<object> values)
    {
        if (values.Count() != _columns.Count)
            throw new ArgumentException("Values count doesn't match columns count");
            
        var enumerators = values.GetEnumerator();
        foreach (var column in _columns.Values)
        {
            enumerators.MoveNext();
            column.Add(enumerators.Current);
        }
    }
    
    public IEnumerable<object> GetColumn(string columnName)
    {
        return _columns[columnName];
    }
    
    public IEnumerable<object[]> GetRowsWhere(string columnName, object value)
    {
        var columnIndex = _columns.Keys.ToList().IndexOf(columnName);
        if (columnIndex == -1) yield break;
        
        var column = _columns.Values.ElementAt(columnIndex);
        var indexes = new ColumnIndex<object>().Build(column).Where(kvp => kvp.Key.Equals(value)).SelectMany(kvp => kvp.Value);
        
        for (int i = 0; i < column.Count; i++)
        {
            if (indexes.Contains(i))
            {
                yield return _columns.Values.Select(c => c[i]).ToArray();
            }
        }
    }
    
    // 更多方法...
}

五、性能对比测试

​​测试代码​​：

var columnar = new ColumnarStorage<int>();
var rowBased = new List<List<int>>();

// 填充100万行数据
var sw = Stopwatch.StartNew();
for (int i = 0; i < 1_000_000; i++)
{
    columnar.AddColumn("ID", new List<int> { i });
    columnar.AddColumn("Value", new List<int> { i * 2 });
    
    // 行式存储(仅演示，实际不推荐这样使用)
    if (i == 0) rowBased.Add(new List<int>());
    rowBased[0].Add(i);
    rowBased[0].Add(i * 2);
}
sw.Stop();
Console.WriteLine($"填充时间: {sw.ElapsedMilliseconds}ms");

// 查询测试
sw.Restart();
var columnarValues = columnar.GetColumn("Value");
sw.Stop();
Console.WriteLine($"列式查询时间: {sw.ElapsedMilliseconds}ms");

sw.Restart();
var rowBasedValues = rowBased.SelectMany(r => r).Where((v, i) => i % 2 == 1); // 模拟查询第二列
sw.Stop();
Console.WriteLine($"行式查询时间: {sw.ElapsedMilliseconds}ms");

​​预期结果​​：

• 列式存储在查询特定列时性能更好
• 行式存储在插入时可能更快(但实际列式存储优化后插入也很快)

六、实际应用场景

1. ​​数据分析平台​​：

   • 处理TB级数据
   • 高效聚合计算
   • 列式压缩节省存储空间

2. ​​商业智能工具​​：

   • 快速生成报表
   • 复杂查询优化
   • 多维分析支持

3. ​​时序数据处理​​：

   • 高效存储时间序列数据
   • 快速聚合计算
   • 支持降采样查询

七、扩展建议

1. ​​实现列式压缩​​：

   public byte[] CompressColumn<T>(List<T> column)
   {
       using var ms = new MemoryStream();
       using (var writer = new BinaryWriter(ms))
       {
           foreach (var item in column)
           {
               // 实现自定义压缩逻辑
               writer.Write(item.ToString());
           }
       }
       return ms.ToArray();
   }

2. ​​添加索引支持​​：

   public class ColumnIndex
   {
       private readonly Dictionary<object, List<int>> _valueToRows = new();
       
       public void Build<T>(List<T> column)
       {
           for (int i = 0; i < column.Count; i++)
           {
               if (!_valueToRows.ContainsKey(column[i]))
                   _valueToRows[column[i]] = new List<int>();
                   
               _valueToRows[column[i]].Add(i);
           }
       }
       
       public IEnumerable<int> GetRows(T value) => _valueToRows.TryGetValue(value, out var rows) ? rows : Enumerable.Empty<int>();
   }

3. ​​支持列式存储格式​​：

   • Parquet
   • ORC
   • Apache Arrow
   • 自定义二进制格式