scala - 使用 delta 编码的列编写 parquet 文件
问题描述
我正在尝试使用增量编码编写镶木地板文件。 This page声明 parquet 支持三种类型的增量编码:
(DELTA_BINARY_PACKED, DELTA_LENGTH_BYTE_ARRAY, DELTA_BYTE_ARRAY).
由于spark
,pyspark
或者pyarrow
不允许我们指定编码方法,我很好奇如何编写启用了增量编码的文件?
但是,我在互联网上发现,如果我有TimeStamp
镶木地板类型的列,将使用增量编码。所以我使用下面的代码scala
来创建一个镶木地板文件。但编码不是增量。
val df = Seq(("2018-05-01"),
("2018-05-02"),
("2018-05-03"),
("2018-05-04"),
("2018-05-05"),
("2018-05-06"),
("2018-05-07"),
("2018-05-08"),
("2018-05-09"),
("2018-05-10")
).toDF("Id")
val df2 = df.withColumn("Timestamp", (col("Id").cast("timestamp")))
val df3 = df2.withColumn("Date", (col("Id").cast("date")))
df3.coalesce(1).write.format("parquet").mode("append").save("date_time2")
parquet-tools
显示了有关写入 parquet 文件的以下信息。
file schema: spark_schema
--------------------------------------------------------------------------------
Id: OPTIONAL BINARY L:STRING R:0 D:1
Timestamp: OPTIONAL INT96 R:0 D:1
Date: OPTIONAL INT32 L:DATE R:0 D:1
row group 1: RC:31 TS:1100 OFFSET:4
--------------------------------------------------------------------------------
Id: BINARY SNAPPY DO:0 FPO:4 SZ:230/487/2.12 VC:31 ENC:RLE,PLAIN,BIT_PACKED ST:[min: 2018-05-01, max: 2018-05-31, num_nulls: 0]
Timestamp: INT96 SNAPPY DO:0 FPO:234 SZ:212/436/2.06 VC:31 ENC:RLE,BIT_PACKED,PLAIN_DICTIONARY ST:[num_nulls: 0, min/max not defined]
Date: INT32 SNAPPY DO:0 FPO:446 SZ:181/177/0.98 VC:31 ENC:RLE,PLAIN,BIT_PACKED ST:[min: 2018-05-01, max: 2018-05-31, num_nulls: 0]
如您所见,没有列使用增量编码。
我的问题是:
如何使用增量编码编写镶木地板文件?(如果你能提供一个示例代码
scala
或者python
那会很棒。)如何决定
(DELTA_BINARY_PACKED, DELTA_LENGTH_BYTE_ARRAY, DELTA_BYTE_ARRAY)
使用哪种“增量编码”?
解决方案
在使用 PySpark 生成 parquet 文件时,弄清楚如何启用 DELTA 编码确实具有挑战性。
我们生成大量数字数据,这些数据可以真正受益于使用 DELTA 编码。在我的测试中,我能够使用 DELTA 编码将一个 136.9MB 的小测试文件减少到 101.6MB。对于我们的用例,我们生成 TB 的数据,因此未来 S3 的节省值得考虑。
我的经验是使用 EMR 5.29.0 的 Spark 2.4.5。在生成 DELTA 编码文件之前和之后,我都遇到了很多问题。我会提到它们,以便您了解这些问题并且不要自己绊倒。
为了在 PySpark 中生成 DELTA 编码的 parquet 文件,我们需要启用 Parquet 写入的版本 2。这是它工作的唯一方式。此外,由于某种原因,该设置仅在创建火花上下文时有效。设置是:
"spark.hadoop.parquet.writer.version": "v2"
结果是:
time: INT64 GZIP DO:0 FPO:11688 SZ:84010/2858560/34.03 VC:15043098 ENC:DELTA_BINARY_PACKED ST:[min: 1577715561210, max: 1577839907009, num_nulls: 0]
但是,您无法在 PySpark 中读取相同的文件,因为您将得到
java.lang.UnsupportedOperationException: Unsupported encoding: DELTA_BINARY_PACKED
为了读回文件,需要禁用以下配置:
spark.conf.set("spark.sql.parquet.enableVectorizedReader", "false")
此外,一个可悲但额外的提示是,在撰写本文时,Pandas 不会阅读这些文件。
推荐阅读
- c# - 如何将我的注册表单中的信息发布到 MVC 5 中的 AspNetUser 表
- browser - 将 Electron App 设置为默认 Web 浏览器
- ant - 声纳 jacoco hybris
- spring - 在 Spring Boot 中使用 Pageable
- c# - foreach 中的动态过滤(ASP.NET 和 EF)
- javascript - 如何测试在 React 组件中被调用的 jest 和酶函数
- spring-cloud - ConfigServerHealthIndicator 未检查正确的配置文件
- c# - 从 Google GeoCode API 中的 Zip 获取县
- javascript - 将一个 javascript 函数的结果集成到另一个
- sql-server - 使用 SSDT 删除表,但表仍在 SCMP 文件中