ORC 文件存储格式

1、orc列式存储概念

a）列式存储：orc并不是纯粹的列式存储，也是先基于行对数据表进行分组（行组），然后对行组进行列式存储。

b）查询数据的时候不需要扫描全部数据（磁盘IO），只需查询指定列即可。

c）orc对每一列提供了常规统计信息（min 、 max 、 sum等），加速查询。例如过滤条件f>10，如果当前分片的max小于10，则直接过滤掉这个分片。

d）每一列的数据都是同构的，因此压缩效率更高。

e）读写orc文件需要压缩、解压，需要消耗额外的cpu资源。

以上是orc文件格式的优劣点。

2、orc文件格式

a）orc文件分层：orc -> stripe -> row group

b）orc索引分级：file level -> stripe level -> row group level

orc reader 根据 search arguments 判断是否可以跳过某些数据。

3、orc文件读写

orc append

a）How to append ORC file

参考：

orc文件存储格式