apache-spark - parquet 文件大小,firehose 与 spark
问题描述
我通过两种方法生成 Parquet 文件:Kinesis Firehose 和 Spark 作业。它们都被写入 S3 上的相同分区结构。可以使用相同的 Athena 表定义来查询两组数据。两者都使用 gzip 压缩。
然而,我注意到 Spark 生成的 Parquet 文件大约是 Firehose 生成的 Parquet 文件的 3 倍。有什么理由应该是这种情况?当我使用 Pyarrow 加载它们时,我确实注意到了一些架构和元数据差异:
>>> import pyarrow.parquet as pq
>>> spark = pq.ParquetFile('<spark object name>.gz.parquet')
>>> spark.metadata
<pyarrow._parquet.FileMetaData object at 0x101f2bf98>
created_by: parquet-mr version 1.8.3 (build aef7230e114214b7cc962a8f3fc5aeed6ce80828)
num_columns: 4
num_rows: 11
num_row_groups: 1
format_version: 1.0
serialized_size: 1558
>>> spark.schema
<pyarrow._parquet.ParquetSchema object at 0x101f2f438>
uri: BYTE_ARRAY UTF8
dfpts.list.element: BYTE_ARRAY UTF8
udids.list.element: BYTE_ARRAY UTF8
uuids.list.element: BYTE_ARRAY UTF8
>>> firehose = pq.ParquetFile('<firehose object name>.parquet')
>>> firehose.metadata
<pyarrow._parquet.FileMetaData object at 0x10fc63458>
created_by: parquet-mr version 1.8.1 (build 4aba4dae7bb0d4edbcf7923ae1339f28fd3f7fcf)
num_columns: 4
num_rows: 156
num_row_groups: 1
format_version: 1.0
serialized_size: 1017
>>> firehose.schema
<pyarrow._parquet.ParquetSchema object at 0x10fc5e7b8>
udids.bag.array_element: BYTE_ARRAY UTF8
dfpts.bag.array_element: BYTE_ARRAY UTF8
uuids.bag.array_element: BYTE_ARRAY UTF8
uri: BYTE_ARRAY UTF8
模式差异是否可能是罪魁祸首?还有什么?
这两个特定文件不包含完全相同的数据,但根据我的 Athena 查询,Firehose 文件中所有行的所有列表的总基数大约是 Spark 文件中的 2.5 倍。
编辑添加:
我写了以下内容,基本上将每个镶木地板文件的内容转储到标准输出,每行一行:
import sys
import pyarrow.parquet as pq
table = pq.read_table(sys.argv[1])
pydict = table.to_pydict()
for i in range(0, table.num_rows):
print(f"{pydict['uri'][i]}, {pydict['dfpts'][i]}, {pydict['udids'][i]}, {pydict['uuids'][i]}")
然后我对每个 parquet 文件运行它并将输出通过管道传输到一个文件。以下是原始两个文件的大小、将上述 python 代码指向每个文件的输出,以及该输出的 gzip 压缩版本:
-rw-r--r-- 1 myuser staff 1306337 Jun 28 16:19 firehose.parquet
-rw-r--r-- 1 myuser staff 8328156 Jul 2 15:09 firehose.printed
-rw-r--r-- 1 myuser staff 5009543 Jul 2 15:09 firehose.printed.gz
-rw-r--r-- 1 myuser staff 1233761 Jun 28 16:23 spark.parquet
-rw-r--r-- 1 myuser staff 3213528 Jul 2 15:09 spark.printed
-rw-r--r-- 1 myuser staff 1951058 Jul 2 15:09 spark.printed.gz
请注意,两个 parquet 文件的大小大致相同,但 firehose 文件的“打印”内容大约是 spark 文件“打印”内容大小的 2.5 倍。而且它们的可压缩性差不多。
那么:如果不是原始数据,是什么占用了 Spark parquet 文件中的所有空间?
编辑添加:
下面是“parquet-tools meta”的输出。每列的压缩率看起来相似,但 firehose 文件中每个未压缩字节包含更多值。对于“dfpts”列:
消防水带:
SZ:667849/904992/1.36 VC:161475
火花:
SZ:735561/1135861/1.54 VC:62643
parquet-tools 元输出:
file: file:/Users/jh01792/Downloads/firehose.parquet
creator: parquet-mr version 1.8.1 (build 4aba4dae7bb0d4edbcf7923ae1339f28fd3f7fcf)
file schema: hive_schema
--------------------------------------------------------------------------------
udids: OPTIONAL F:1
.bag: REPEATED F:1
..array_element: OPTIONAL BINARY L:STRING R:1 D:3
dfpts: OPTIONAL F:1
.bag: REPEATED F:1
..array_element: OPTIONAL BINARY L:STRING R:1 D:3
uuids: OPTIONAL F:1
.bag: REPEATED F:1
..array_element: OPTIONAL BINARY L:STRING R:1 D:3
uri: OPTIONAL BINARY L:STRING R:0 D:1
row group 1: RC:156 TS:1905578 OFFSET:4
--------------------------------------------------------------------------------
udids:
.bag:
..array_element: BINARY GZIP DO:0 FPO:4 SZ:421990/662241/1.57 VC:60185 ENC:RLE,PLAIN_DICTIONARY ST:[num_nulls: 58, min/max not defined]
dfpts:
.bag:
..array_element: BINARY GZIP DO:0 FPO:421994 SZ:667849/904992/1.36 VC:161475 ENC:RLE,PLAIN_DICTIONARY ST:[num_nulls: 53, min/max not defined]
uuids:
.bag:
..array_element: BINARY GZIP DO:0 FPO:1089843 SZ:210072/308759/1.47 VC:39255 ENC:RLE,PLAIN_DICTIONARY ST:[num_nulls: 32, min/max not defined]
uri: BINARY GZIP DO:0 FPO:1299915 SZ:5397/29586/5.48 VC:156 ENC:BIT_PACKED,RLE,PLAIN_DICTIONARY ST:[num_nulls: 0, min/max not defined]
file: file:/Users/jh01792/Downloads/spark.parquet
creator: parquet-mr version 1.8.3 (build aef7230e114214b7cc962a8f3fc5aeed6ce80828)
extra: org.apache.spark.sql.parquet.row.metadata = {"type":"struct","fields":[{"name":"uri","type":"string","nullable":false,"metadata":{}},{"name":"dfpts","type":{"type":"array","elementType":"string","containsNull":true},"nullable":true,"metadata":{}},{"name":"udids","type":{"type":"array","elementType":"string","containsNull":true},"nullable":true,"metadata":{}},{"name":"uuids","type":{"type":"array","elementType":"string","containsNull":true},"nullable":true,"metadata":{}}]}
file schema: spark_schema
--------------------------------------------------------------------------------
uri: REQUIRED BINARY L:STRING R:0 D:0
dfpts: OPTIONAL F:1
.list: REPEATED F:1
..element: OPTIONAL BINARY L:STRING R:1 D:3
udids: OPTIONAL F:1
.list: REPEATED F:1
..element: OPTIONAL BINARY L:STRING R:1 D:3
uuids: OPTIONAL F:1
.list: REPEATED F:1
..element: OPTIONAL BINARY L:STRING R:1 D:3
row group 1: RC:11 TS:1943008 OFFSET:4
--------------------------------------------------------------------------------
uri: BINARY GZIP DO:0 FPO:4 SZ:847/2530/2.99 VC:11 ENC:PLAIN,BIT_PACKED ST:[num_nulls: 0, min/max not defined]
dfpts:
.list:
..element: BINARY GZIP DO:0 FPO:851 SZ:735561/1135861/1.54 VC:62643 ENC:RLE,PLAIN_DICTIONARY ST:[num_nulls: 0, min/max not defined]
udids:
.list:
..element: BINARY GZIP DO:0 FPO:736412 SZ:335289/555989/1.66 VC:23323 ENC:RLE,PLAIN_DICTIONARY ST:[num_nulls: 0, min/max not defined]
uuids:
.list:
..element: BINARY GZIP DO:0 FPO:1071701 SZ:160494/248628/1.55 VC:13305 ENC:RLE,PLAIN_DICTIONARY ST:[num_nulls: 0, min/max not defined]
解决方案
您可能应该以不同的方式提出您的问题:
为什么 Firehose 数据的压缩比 Spark 数据的压缩效率更高?
Parquet 对此有几种可能的解释:
不同的列值基数
除了压缩方案之外,Parquet 还尝试对您的值使用最有效的编码。特别是对于 BYTE_ARRAY,它会默认尝试使用字典编码,即将每个不同的 BYTE_ARRAY 值映射到一个 int,然后简单地将 int 存储在列数据中(更多信息在这里)。如果字典变得太大,它将回退到简单地存储 BYTE_ARRAY 值。
如果您的 Firehose 数据集包含的值的多样性比您的 Spark 数据集少得多,则一个可能正在使用有效的字典编码,而另一个则没有。
排序数据
已排序的数据通常比未排序的数据压缩得更好,因此如果您的 Firehose 列值自然排序(或至少更频繁地重复),parquet 编码和 gzip 压缩将实现更好的压缩率
不同的行组大小
Parquet 将值拆分为可调整大小的行组(
parquet.block.size
Spark 中的配置)。压缩和编码应用于行组级别,因此行组越大,压缩效果越好,但编码可能更差(例如,您可以从字典编码切换到纯字节数组值)并且在读取或写入时需要更高的内存。
如何找出你的情况发生了什么?
使用parquet-tools检查列的详细编码数据:
例如在我的一个数据集上:
$ parquet-tools meta part-00015-6a77dcbe-3edd-4199-bff0-efda0f512d61.c000.snappy.parquet
...
row group 1: RC:63076 TS:41391030 OFFSET:4
--------------------------------------------------------------------------------
options:
.list:
..element: BINARY SNAPPY DO:0 FPO:6042924 SZ:189370/341005/1,80 VC:269833 ENC:RLE,PLAIN_DICTIONARY ST:[no stats for this column]
...
row group 2: RC:28499 TS:14806649 OFFSET:11648146
--------------------------------------------------------------------------------
options:
.list:
..element: BINARY SNAPPY DO:0 FPO:13565454 SZ:78631/169832/2,16 VC:144697 ENC:RLE,PLAIN_DICTIONARY ST:[no stats for this column]
列数据上的ENC
属性为您提供了用于列的编码(在本例中为 DICTIONARY),该SZ
属性为您提供了编码的值compressed size/uncompressed size/compression ratio
的VC
数量。
您可以在我的示例中看到,由于数据分布,行组 2 的压缩率略好于行组 1。
更新:
查看您提供的统计信息,您可以看到dfpts
数据集中的列的平均编码值大小为 904992/161475 = 5.6 字节,而 spark 版本的平均编码值大小为 1135861/62643 = 18.13 字节,即使两者是相同的字典编码。这可能意味着 RLE 在您的 firehose 数据集上效率更高,因为您有很多重复值或更少不同的值。如果dfpts
在保存到 parquet 之前在 spark 中对列进行排序,您可能会获得与 firehose 数据相似的编码率。
推荐阅读
- python - 不和谐 | FileNotFoundError:[Errno 2] 没有这样的文件或目录:'users.json'
- bots - Music Discord.js 机器人未检测到语音通道
- listview - 如何修复“参数类型'Future
'不能分配给Flutter中的参数类型'int'” - python - 无法使用 CA 签署的 SSL 证书连接套接字
- mysql - Rails 3:给定一个玩家,找出他们与每个对手配对的次数
- javascript - 未捕获的类型错误:无法读取由 asinc 调用引起的未定义属性“0”?
- javascript - JSON 到自定义对象
- django - nginx 和 Docker 中的 django-private-storage 配置
- machine-learning - 当输入从一批更改为另一批时,我的 RNN 状态发生了什么
- amazon-web-services - 如何限制 IAM 用户仅从 VPN 连接访问 S3 存储桶