Apache ORC

定义

Apache ORC（Optimized Row Columnar）是 Hortonworks 与 Facebook 于 2013 年为优化 Hive 存储而设计的列式文件格式，用于取代早期的 RCFile，后成为 Apache 顶级项目。

原理

ORC 文件由多个条带（Stripe）组成，每个条带内按列存储并包含索引数据、行数据与条带尾三部分。索引记录每一万行的最小值、最大值与位置信息，支持跳过无关数据；文件尾部保存全文件统计。ORC 内置多种编码并支持 ZLIB、Snappy、ZSTD 压缩，还支持布隆过滤器加速点查，并在 Hive 中支撑 ACID 事务表的实现。

应用

ORC 是 Hive 数仓的默认推荐格式，广泛用于 Hadoop 体系的离线数仓；Spark、Trino、Flink 等引擎亦可读写。

优缺点

优点是压缩率通常优于同类格式、与 Hive 事务特性结合紧密；缺点是 Hadoop 之外的生态影响力不及 Parquet，在云原生与新兴表格式中采用率相对较低。