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:

• Yelp 发布大规模管理 S3 服务器访问日志的方案_架构_InfoQ 精选文章
• Cloudflare Log Explorer is now GA, providing native observability and forensics
• 逆势降本：云上数据平台年复削减 30% 的治理实践_云计算_吴建阳_InfoQ 精选文章
• Object Storage Is All You Need - Justin Cormack, Docker
• 讲真，OpenObserve 挺好用的！
• AWS Debuts a Distributed SQL Database, Amazon S3 Tables for Iceberg - The New Stack
• Grafana Tempo 2.5 release: vParquet4, streaming endpoints, and more metrics | Grafana Labs
• 对象存储应用：云原生最新架构 - The New Stack — Object Store Apps: Cloud Native’s Freshest Architecture - The New Stack

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：

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], ...

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

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 $

• 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

-- 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

# 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

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

1. 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

2. 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。