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
- 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
-
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。