ORC 与 Parquet 的压缩方式及分桶
哪些公司问过
答案要点
- 两层压缩:先列级编码(字典、游程、位打包、增量),再用 Snappy、ZLIB/GZIP、ZSTD、LZ4 等通用算法
- ORC 结构为 stripe + 轻量索引 + 文件 footer;Parquet 为行组、列块、页,均在元数据中记录列统计
- codec 选型:Snappy/LZ4 解压快适合热数据,ZSTD/ZLIB 压缩率高适合冷数据;块内压缩不影响切分
- 分桶:按列哈希取模拆成固定数量文件,Hive 用 CLUSTERED BY ... INTO N BUCKETS,Spark 用 bucketBy
- 分桶收益:同列同桶数(或成倍数)的表可做分桶 join 避免 shuffle,还便于抽样和过滤
易错点
- 只看压缩率选 codec,忽略高压缩率算法的 CPU 开销,热数据查询会变慢
- 以为 Hive 和 Spark 的分桶表可以互通:两者哈希方式不同,通常不能直接互认分桶
- 把分桶和分区混为一谈,对高基数列分区产生海量小目录
面试官常见追问
- ORC 和 Parquet 有什么区别?
- 分桶数怎么定?
- 分区和分桶有什么区别?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。