Parquet学习与使用之BloomFilter的应用
创始人
2024-05-29 15:50:16

写在前面

最近在自己做自定义的OLAP系统，文件格式上用的是Parquet，但是发现Parquet各个API的示例代码很少。所以就打算把这个系列的文章写一下。

1. Parquet的Filter

Parquet的过滤支持两大类，一类是基于Footer中的元数据进行RowGroup级别的过滤；这种过滤能够实现减少IO的目的，它通过元数据里的信息直接可以实现跳过RowGroup的读取。
另一类是对每一行进行过滤，此类对于减少IO没有作用，只是代码优雅一些，不用把所有的数据都读到客户端代码里进行过滤。

2. Parquet对RowGroup的过滤的基本介绍

当前最新版本1.12.x 中支持3类：

  1. 字典 - 如果列的值域空间不大，则用字典（parquet能够自己识别是否使用字典作为一列的过滤器）
  2. statistics - 数值型的min/max
  3. bloomFilter - 如果列值域比较大，则不是相对分段聚合的，则无法用1-2.则考虑用bloomFilter（如果使用bloomFilter需要在写入时指定要使用bloomFilter的列）

3. Parquet 应用BloomFilter的示例代码

3.1 写入Parquet文件

并指定user_id列使用BloomFilter

        ParquetWriter parquetWriter = AvroParquetWriter.builder(path).withSchema(userFlowTraceSchema).withCompressionCodec(CompressionCodecName.GZIP).withBloomFilterEnabled("user_id", true).build();
 

3.2 读取Parquet文件
 

目前BloomFilter仅支持Eq和In操作；其他类型和自定义的操作都直接被返回了 BLOCK_MIGHT_MATCH（true）- 即不过滤
 源码见：org.apache.parquet.filter2.bloomfilterlevel.BloomFilterImpl
 

读取文件，并使用BloomFilter的示例：
 

GroupReadSupport readSupport = new GroupReadSupport();
String targetUserId1 = "9639102999811";
String targetUserId2 = "9639102999711";
Filter bloomFilterIn = FilterCompat.get(FilterApi.in(FilterApi.binaryColumn("user_id"),Sets.newHashSet(Binary.fromString(targetUserId1),Binary.fromString(targetUserId2))));
ParquetReader reader = ParquetReader.builder(readSupport, path).withFilter(bloomFilterIn).build();

                
            
            
            

                
               
            

            

                

                    上一篇：【数据库】排名问题

                

                

                    下一篇：【我的Android开发】AMS中Activity栈管理                

            

            
            

                
                
相关内容

                
            

            

            
            

                 

            



        
        
    
    

    
    

        
        

            
            

                
                

                    
                    

                        
                        热门资讯
                        
                    

                    
                

                
            

            
            
            


                                
                

                    
                    
                    
                    
                    

                        苏州旺山旺水医药：完成1.00...
                        苏州旺山旺水医药公告称，2026年7月15日完成转换100,220,667股境内非上市股份为H股。此...
                    

                    
                

                                
                

                    
                    
                    
                    
                    

                        中国丰汇：完成公司名称、简称、...
                        中国丰汇公告称，公司名称由“Crown International Corporation Limi...
                    

                    
                

                                
                

                    
                    
                    
                    
                    

                        巴拉特雷德罗集团税前利润增长，...
                        　　本财年房屋成交量 17667 套，上年同期为 16826 套公司此前给出 2026 财年房屋销量...
                    

                    
                

                                
                

                    
                    
                    
                    
                    

                        陕西200MW风电项目获核准
                        （来源：龙船风电网）近日，陕西水电榆林陕投公司榆阳区（二期）10万千瓦风电项目、佳县10万千瓦风电项...
                    

                    
                

                                
                

                    
                    
                    
                    
                    

                        乌军无人机杀疯了，连续两夜打击...
                        （来源：上观新闻）新华社基辅7月15日电 乌克兰无人系统部队15日在社交媒体发布消息说，乌军前一夜在...