Apache Parquet
Formato de archivo columnar para analítica: comprimido, divisible y autodescriptivo, con estadísticas incrustadas por bloque de columna. El estándar de facto de los data lakes.
Salió de Twitter y Cloudera en 2013, inspirado en el artículo Dremel de Google. Su disposición es híbrida: el archivo se parte en grupos de filas, dentro de cada uno se separan las columnas y estas en páginas. Admite datos anidados —struct, array, map— mediante la codificación de Dremel. Las estadísticas de página (mínimo, máximo, número de nulos) permiten a los motores saltarse páginas enteras sin llegar a leerlas.
Lo leen Spark, Trino, DuckDB, Polars, ClickHouse, Athena, BigQuery, Snowflake y pandas. Iceberg y Delta Lake construyen sus formatos de tabla sobre archivos Parquet.