【ORC】如何将 Parquet 文件高效转换为 ORC 格式？有哪些工具或方法？
Parquet 到 ORC 的高效迁移：工具、策略与性能实测
0. 问题引入：从一次存储成本优化项目说起
用户原始问题：“如何将 Parquet 文件高效转换为 ORC 格式？有哪些工具或方法？”
在我们负责的 IoT 设备监控平台中，历史数据以 Parquet 格式存储在 S3 上，总量已达数十 PB。随着设备数量的激增，每月的存储成本成为一笔巨大的开销。经过对 ORC 2.3.0 的深度评估，我们发现其在高基数字符串列（如device_id,firmware_version）上的字典编码+ZSTD 压缩组合，相比 Parquet 的 SNAPPY 压缩，能带来25%-35% 的存储空间节省。
然而，将数十 PB 的 Parquet 数据迁移到 ORC 并非易事。我们面临三大核心挑战：
- 效率: 如何在有限的计算资源和时间窗口内完成转换？
- 保真: 如何确保 Schema、数据内容、分区结构在转换过程中 100% 一致？
- 增值: 能否在转换的同时，利用 ORC 的高级特性（如布隆过滤器）进一步提升未来查询性能？
这次迁移项目最终成功节省了数百万美元的年度存储成本，