python-2.7 - PySpark 使用统计信息写入 Parquet 二进制列 (signed-min-max.enabled)
问题描述
我发现这张 apache-parquet 票https://issues.apache.org/jira/browse/PARQUET-686被标记为parquet-mr
1.8.2 已解决。我想要的功能是在(或) 列min/max
的镶木地板元数据中计算的。string
BINARY
并引用这是一封电子邮件https://lists.apache.org/thread.html/%3CCANPCBc2UPm+oZFfP9oT8gPKh_v0_BF0jVEuf=Q3d-5=ugxSFbQ@mail.gmail.com%3E
使用scala
而不是pyspark
作为示例:
Configuration conf = new Configuration(); + conf.set("parquet.strings.signed-min-max.enabled", "true"); Path inputPath = new Path(input); FileStatus inputFileStatus = inputPath.getFileSystem(conf).getFileStatus(inputPath); List<Footer> footers = ParquetFileReader.readFooters(conf, inputFileStatus, false);
我一直无法设置这个值pyspark
(也许我把它设置在错误的地方?)
示例数据框
import random
import string
from pyspark.sql.types import StringType
r = []
for x in range(2000):
r.append(u''.join(random.choice(string.ascii_uppercase + string.digits) for _ in range(10)))
df = spark.createDataFrame(r, StringType())
我尝试了几种不同的方法来设置此选项:
df.write.format("parquet").option("parquet.strings.signed-min-max.enabled", "true").save("s3a://test.bucket/option")
df.write.option("parquet.strings.signed-min-max.enabled", "true").parquet("s3a://test.bucket/option")
df.write.option("parquet.strings.signed-min-max.enabled", True).parquet("s3a://test.bucket/option")
但是所有保存的 parquet 文件都缺少 BINARY 列的 ST/STATS。以下是其中一个 parquet 文件的元数据示例输出:
creator: parquet-mr version 1.8.3 (build aef7230e114214b7cc962a8f3fc5aeed6ce80828)
extra: org.apache.spark.sql.parquet.row.metadata = {"type":"struct","fields":[{"name":"value","type":"string","nullable":true,"metadata":{}}]}
file schema: spark_schema
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
value: OPTIONAL BINARY O:UTF8 R:0 D:1
row group 1: RC:33 TS:515
---------------------------------------------------------------------------------------------------
此外,基于此电子邮件链https://mail-archives.apache.org/mod_mbox/spark-user/201410.mbox/%3C9DEF4C39-DFC2-411B-8987-5B9C33842974@videoamp.com%3E和问题:Specify Parquet属性 pyspark
我尝试通过 pyspark 私有 API 潜入配置:
spark.sparkContext._jsc.hadoopConfiguration().setBoolean("parquet.strings.signed-min-max.enabled", True)
所以我仍然无法设置这个conf parquet.strings.signed-min-max.enabled
(parquet-mr
或者它被设置了,但其他地方出了问题)
- 是否可以
parquet-mr
从 pyspark进行配置 - pyspark 2.3.x 是否支持 BINARY 列统计信息?
- 如何利用 PARQUET-686 功能为
min/max
parquet 文件中的字符串列添加元数据?
解决方案
由于历史上 Parquet 编写者为 UTF-8 字符串编写了错误的最小/最大值,因此新的 Parquet 实现在读取期间会跳过这些统计信息,除非parquet.strings.signed-min-max.enabled
已设置。所以这个设置是一个读取选项,它告诉 Parquet 库相信最小/最大值,尽管它们已知有缺陷。唯一可以安全启用此设置的情况是字符串仅包含 ASCII 字符,因为这些字符的相应字节永远不会是负数。
由于您parquet-tools
用于转储统计信息并且 parquet-tools
它本身使用 Parquet 库,因此默认情况下它将忽略字符串最小/最大统计信息。尽管文件中似乎没有最小值/最大值,但实际上它们在那里,但被忽略了。
这个问题的正确解决方案是PARQUET-1025,它引入了新的统计字段min-value
和max-value
. 这些可以正确处理 UTF-8 字符串。
推荐阅读
- google-apps-script - 使用脚本将网络数据导入谷歌表格
- visual-studio - WiX:在组件传输期间保留递归目录结构
- apache-kafka - KStream/KTable join中的Kafka Stream时间戳同步
- amazon-web-services - AWS 子网 CIDR 冲突
- php - 使用命名空间提取 SimpleXML 属性
- swift - Xcode Swift 模板Lower Camel Case
- rust - 将换行符附加到 Hyper Body 结构
- excel - 我必须在excel中将utc时间转换为ist
- vue.js - 如何解决安装 vue native 的问题?
- php - 使用 PHP-FFMpeg 调整视频大小并保留编解码器