Apache Parquet 优势与日志应用场景解析

写作背景

近期看了几篇关于日志解决方案的文章, 发现它们都在使用 Apache Parquet 作为存储文件格式. 如下:

这勾起了我的好奇心:

Apache Parquet 是什么?
有什么优势?
什么软件可以处理 Apache Parquet?
近期发现很多日志解决方案会将日志转换为 Apache Parquet, 为什么要这样处理, 有什么优势?

Apache Parquet 简介

Apache Parquet 是一种开源的列式存储文件格式，专门为大数据处理框架设计，最初由 Twitter 和 Cloudera 联合开发，现为 Apache 顶级项目。

核心优势

1. 列式存储结构

与传统行式存储不同，Parquet 按列存储数据
查询时只需读取相关列，大幅减少 I/O
示例对比：

复制代码

行式存储：Row1[col1,col2,col3], Row2[col1,col2,col3], ...

列式存储：Column1[所有行的值], Column2[所有行的值], ...

复制代码

### 2. **高效的压缩和编码**

- 同列数据类型一致，压缩效率更高（可达行式存储的 1/10）
- 支持多种编码：RLE、字典编码、Delta 编码等
- 支持多种压缩：Snappy、Gzip、LZO、Zstd

### 3. **Schema 演化支持**

- 支持向后/向前兼容的 schema 变更
- 可以添加新列、删除列、修改列类型

### 4. **谓词下推**（Predicate Pushdown）

- 查询引擎可以在读取数据前过滤不相关的数据块
- 利用列统计信息（min/max 值）跳过无关数据块

### 5. **嵌套数据结构支持**

- 原生支持复杂嵌套数据类型（数组、映射、结构体）
- 使用 Dremel 记录 shredding 算法高效存储嵌套数据

## 能处理 Parquet 的软件/框架

### 大数据处理框架

- **Apache Spark**（主要使用场景）
- **Apache Hive**
- **Apache Impala**
- **Presto/Trino**
- **Apache Flink**
- **Apache Arrow**（内存格式转换）

### 查询引擎

- **AWS Athena**
- **Google BigQuery**
- **Azure Synapse**
- **DuckDB**
- **Polars**

### 编程语言支持

- Python（PyArrow、pandas）
- Java
- R
- Go
- .NET

### 日志解决方案

- Cloudflare Log Explorer
- OpenObserve
- Grafana Tempo
- Yelp
- AWS 官方参考架构: [Extracting key insights from Amazon S3 access logs with AWS Glue for Ray | AWS Big Data Blog](https://aws.amazon.com/cn/blogs/big-data/extracting-key-insights-from-amazon-s3-access-logs-with-aws-glue-for-ray/)

## 日志解决方案转用 Parquet 的原因

### 1. **成本效益**

示例：日志存储成本对比

原始 JSON 日志：1TB → 存储成本 $$$$

Parquet 压缩后：~100GB → 存储成本 $

复制代码

- 存储成本降低 70-90%
- 网络传输成本显著降低

### 2. **查询性能提升**

```sql
-- 典型日志查询场景
SELECT COUNT(*), error_code 
FROM logs 
WHERE date >= '2024-01-01' 
  AND status = 'ERROR' 
GROUP BY error_code;

-- Parquet 优势：
-- 1. 只读取 date, status, error_code 三列
-- 2. 利用列统计快速跳过无关日期分区
-- 3. 压缩数据减少磁盘 I/O

3. 适合时序数据分析

日志数据天然具有时间属性
Parquet 支持按时间分区，优化时间范围查询
结合分区剪枝（Partition Pruning）大幅提升性能

4. 兼容现代数据栈

复制代码

# 典型日志处理管道
原始日志 → Fluentd/Logstash → Kafka → 
Spark Streaming → Parquet (S3/ADLS) → 
Trino/Athena 查询 → BI 工具

5. 长期存储和分析

Parquet 是分析型工作负载的理想格式
支持数据湖架构（Delta Lake、Iceberg、Hudi）
便于历史日志的趋势分析和机器学习

具体应用场景示例

案例：ELT 日志分析管道

复制代码

原始日志 (JSON/文本)
       ↓
实时处理层 (Kafka)
       ↓
批处理层 (Spark) → 转换为 Parquet
       ↓
云存储 (S3/GCS) → 分区: dt=2024-01-01/
       ↓
查询层 (Athena/Presto)
       ↓
可视化 (Grafana/Tableau)

性能对比数据

存储空间：较 JSON 减少 75-90%
查询速度：提升 10-100 倍（取决于查询模式）
扫描数据量：减少 60-95%（列裁剪效果）

注意事项

不适合场景：
- 高频单行读写（OLTP）
- 需要流式逐行处理的场景
- 小文件过多会影响性能
最佳实践：
- 合理设置文件大小（128MB-1GB）
- 按时间分区组织数据
- 选择适当的压缩算法（平衡速度/比率）

Parquet 已成为现代数据湖和日志分析的事实标准格式，特别适合需要长期存储、批量分析和成本优化的日志管理场景。