HDFS常见数据存储格式
HDFS（Hadoop Distributed File System）作为分布式文件系统，其存储格式决定了数据的组织、存储效率及处理性能。根据数据排列方式，主要分为行式存储和列式存储两大类，以下是具体格式介绍：
1. 行式存储格式
行式存储将同一行的所有字段连续存储，适合需要频繁读取整行数据的场景（如数据录入）。常见格式包括：
（1）TextFile（文本文件格式）
- 存储方式：以纯文本形式存储，每行一条记录，支持自定义分隔符（如逗号、制表符），可存储JSON、CSV、XML等结构化/半结构化数据。
- 特点：人类可读性强，无需额外工具即可查看；但存储效率低（未压缩），解析开销大，不支持块级压缩（需结合Gzip、Snappy等压缩算法，但会降低并行处理能力）。
- 适用场景：数据调试、日志存储、需要快速查看内容的场景。
（2）SequenceFile（序列文件格式）
- 存储方式：以**二进制键值对（Key-Value）**形式存储，支持三种压缩级别：无压缩、记录级压缩（仅压缩Value）、块级压缩（合并多个记录后压缩，性能最优）。
- 特点：紧凑高效（比TextFile节省存储空间），支持文件切分（MapReduce并行处理的基础），常作为MapReduce的中间数据格式（如将小文件合并为大文件以减少NameNode压力）。
- 适用场景：MapReduce中间结果存储、小文件合并、需要高效存储键值对的场景。
（3）Avro（阿芙洛文件格式）
- 存储方式：以二进制形式存储，文件中包含JSON格式的Schema（定义数据结构），数据与Schema绑定，支持语言无关（Java、C++、Python等）。
- 特点：自描述性强（Schema随数据一起存储，无需额外定义）、支持Schema演化（可动态添加/删除字段）、高效的序列化/反序列化（适合频繁写入宽表数据）。
- 适用场景：频繁写入的大数据场景（如日志收集）、需要Schema灵活变更的系统（如Kafka数据存储）。
（4）RCFile（记录列文件格式）
- 存储方式：先按行划分行组（Row Group），再在行组内按列存储数据，结合了行式存储（整行写入）和列式存储（列存储优势）的特点。
- 特点：支持压缩和切分（提高存储效率和处理性能）、列存储减少冗余（适合分析查询），但不支持Schema扩展（添加新列需重写文件）。
- 适用场景：Hive数据仓库中的分析查询（如统计汇总）。
2. 列式存储格式
列式存储将同一列的所有数据连续存储，适合需要读取少量字段的分析场景（如OLAP查询），能有效减少IO开销。常见格式包括：
（1）ORC（优化行列式文件格式）
- 存储方式：以列式存储为核心，将数据分成多个Stripe（每个Stripe包含索引、数据和footer），支持轻量级压缩（如Zlib、Snappy）和ACID事务（Hive 0.14+支持）。
- 特点：高压缩率（比Parquet更高，节省存储空间）、快速查询（索引支持跳过无关数据）、支持ACID（适合实时数据更新）。
- 适用场景：Hive、Spark等大数据分析平台，需要高效查询和事务支持的场景（如数据仓库）。
（2）Parquet（列式存储格式）
- 存储方式：以列式存储为基础，采用嵌套编码（如RLE、字典编码）和块压缩（如Snappy、Gzip），支持谓词下推（减少数据扫描量）。
- 特点：跨平台兼容（支持Hive、Pig、Spark等多个组件）、高效的编码方案（减少存储空间）、不支持ACID（但可通过外部工具实现）。
- 适用场景：Hive、Spark等大数据分析平台，需要跨组件兼容和高效查询的场景（如复杂查询）。
以上格式各有优劣，选择时需结合数据访问模式（如整行读取vs少量字段查询）、处理框架（如Hive、Spark）、存储需求（如压缩率、IO性能）等因素综合判断。例如，分析型场景优先选择ORC/Parquet，数据录入场景优先选择TextFile，频繁写入场景优先选择Avro。