EMR上的Parquet与ORC比较

【以下的回答经过翻译处理】 #### 对于EMR：

Parquet和ORC在使用情况上有很多重叠，因为两者都是列格式。上一次（几年前）我参与了一个设计评估，选择在两者之间选择，结果是在我们的用例中，ORC的本地索引在性能方面的优势是可衡量的，即Hive查询根据少数列过滤结果，具有（相对）较低的基数（至少与数据集中的行数相比）。如果与客户的使用情况相符，这可能是选择ORC的好理由。但是需要注意的是，如果客户愿意安装和管理它们，该生态系统中还有第三方解决方案可用于弥补该索引功能差距。

对于Athena/Redshift：

• 作为兼容性的直接考虑，Athena支持两种格式。假设两种格式都使用相同的压缩库（两者有不同的默认值），如果所有其他事情都相等，我还没有意识到两者之间存在重大性能差距。
• 假设您关于Redshift的问题是在将数据留在S3并利用Spectrum的情况下，根据[docs]（http://docs.aws.amazon.com/redshift/latest/dg/c-spectrum-data-files.html）当前支持Parquet但不支持ORC。