Orcfile(Optimized Row Columnar)是hive 0.11版里引入的新的存儲(chǔ)格式，是對(duì)之前的RCFile存儲(chǔ)格式的優(yōu)化。寫這個(gè)的哥們來(lái)自于HortonWorks，代碼寫的很不錯(cuò)，比之前的rcfile強(qiáng)多了（據(jù)說(shuō)rcfile是個(gè)中科院的童鞋跑去facebook寫的，看來(lái)中國(guó)的計(jì)算機(jī)教育水平還是有限啊。。。囧，跑題了）
先介紹下Orc的文件格式，截一張官方的圖：
可以看到每個(gè)Orc文件由1個(gè)或多個(gè)stripe組成，每個(gè)stripe250MB大小，這個(gè)Stripe實(shí)際相當(dāng)于之前的rcfile里的RowGroup概念，不過(guò)大小由4MB->250MB，這樣應(yīng)該能提升順序讀的吞吐率。每個(gè)Stripe里有三部分組成，分別是Index Data,Row Data,Stripe Footer：
1，Index Data：一個(gè)輕量級(jí)的index，默認(rèn)是每隔1W行做一個(gè)索引。這里做的索引應(yīng)該只是記錄某行的各字段在Row Data中的offset，據(jù)說(shuō)還包括每個(gè)Column的max和min值，具體沒(méi)細(xì)看代碼。
2，Row Data：存的是具體的數(shù)據(jù)，和RCfile一樣，先取部分行，然后對(duì)這些行按列進(jìn)行存儲(chǔ)。與RCfile不同的地方在于每個(gè)列進(jìn)行了編碼，分成多個(gè)Stream來(lái)存儲(chǔ)，具體如何編碼在下一篇解析里會(huì)講。
3，Stripe Footer：存的是各個(gè)Stream的類型，長(zhǎng)度等信息。
每個(gè)文件有一個(gè)File Footer，這里面存的是每個(gè)Stripe的行數(shù)，每個(gè)Column的數(shù)據(jù)類型信息等；每個(gè)文件的尾部是一個(gè)PostScript，這里面記錄了整個(gè)文件的壓縮類型以及FileFooter的長(zhǎng)度信息等。在讀取文件時(shí)，會(huì)seek到文件尾部讀PostScript，從里面解析到File Footer長(zhǎng)度，再讀FileFooter，從里面解析到各個(gè)Stripe信息，再讀各個(gè)Stripe，即從后往前讀。
接下來(lái)看下ORcfile相對(duì)于RCfile做了哪些改進(jìn)，從Orc作者的ppt里截了張圖，分別解釋下各行：
Hive type model:RCfile在底層存儲(chǔ)時(shí)不保存類型，都當(dāng)做Byte流來(lái)存儲(chǔ)
Separtor complex columns:Orc將復(fù)雜類型拆開(kāi)存儲(chǔ)
Splits Found Quickly：不很理解
Default Column group size：不用解釋了
Files per a bucket：不很理解
Store min，max，count，sum：存了這些便于快速地skip掉一個(gè)stripe
Versioned metadata:不很理解
Run-Length Data-coding：整數(shù)類型做Run-Length變長(zhǎng)編碼
Store Strings in dictionary：String類型做字典編碼
Store Row Count：每個(gè)Stripe會(huì)存儲(chǔ)行數(shù)
Skip Compressed blocks:可以直接skip掉壓縮過(guò)的block
Store internal indexes:存儲(chǔ)了一個(gè)輕量級(jí)的index
整個(gè)Orc看下來(lái)，代碼寫的還是比較清晰明了的，而且我們也進(jìn)行了測(cè)試，壓縮效果比RCfile提升了不少，有興趣的朋友可以來(lái)看下，之后會(huì)寫第二篇解析，主要是講Orc用到的幾種編碼格式。