Iceberg表为何采用Apache Parquet作为原生文件格式？

你的观察没错，ORC在元数据丰富度、压缩效率等方面确实有优势，但Iceberg选择Parquet作为原生格式主要源于几个实际的技术和生态因素：

• 起步阶段的生态覆盖度：Iceberg立项时（2018年前后），Parquet已经在Spark、Presto、Hive等主流大数据引擎中实现了深度支持，工具链和成熟度更高。而当时ORC的生态绑定性更强，主要围绕Hive体系，跨引擎兼容性不如Parquet——Iceberg的核心目标是做通用的跨引擎表格式，自然优先选择生态覆盖更广的文件格式。

• 与Iceberg元数据策略的适配：Iceberg本身设计了一套独立、细粒度的全局元数据体系，包括分区快照、列级统计、数据版本管理等核心能力，并不依赖文件格式自身的元数据来完成核心查询优化。Parquet的元设计相对轻量化，刚好能和Iceberg的元数据形成互补：Iceberg负责全局表级的元数据管控，Parquet专注于文件内部的数据存储和基础统计，职责划分更清晰。

• 项目起源的技术栈惯性：Iceberg最初由Netflix开发，而Netflix当时的大数据栈大量采用Parquet，开发团队对Parquet的实现细节、优化点更熟悉，选择熟悉的格式能加快项目落地速度，降低初期的技术风险。

需要说明的是，Iceberg后续已经全面支持ORC格式了，你完全可以根据自身场景（比如复杂分析查询、压缩需求）选择ORC作为存储格式。原生格式的选择更多是项目起步阶段的决策，而非否定ORC的性能优势。

内容的提问来源于stack exchange，提问作者katz daniel