我的问题分为两部分:
[各种帖子显示可能存在问题Spark Small ORC Stripes,How to set ORC stripe size in Spark。我目前在HDP 2.6.4平台上使用spark 2.2,因此根据https://community.cloudera.com/t5/Support-Questions/Spark-ORC-Stripe-Size/td-p/189844应该已经解决了。但是,我不清楚执行时如何设置这些参数:
df.write.orc("/path/to/file")
也许只是一个:
df.write.options(Map("key"-> "value")).orc("/path/to/file")
但是,我也不太确定我在这里需要哪些键。
注意:使用ORC的1.4
native
版本。.set("spark.sql.orc.impl", "native") .set("spark.sql.hive.convertMetastoreOrc", "true")
我的数据集被重新分区并使用
df.repartition(number, c1,c2,...).sortWithin("c1, c2", "c3", ...)
进行二次排序。排序列的顺序由昂贵(长字符串)列的基数来选择。最高者优先。
我想将压缩的orc文件写入HDFS。小文件大小问题是我已经知道的,显然是要防止的-但是其他方向呢?例如,如果相应地重新分区,我的数据集之一将生成800MB压缩的orc文件(分区内的单个文件)。这些800MB是否已经被认为太大?我是否应该尝试将其大小调整为大约300MB?还是400MB?请记住,它们已经被压缩了。
目前,我从以下位置观察:
java-jar orc-tools meta foo.orc
此文件之前(还有其他文件)的火花似乎会产生大约16MB的条纹,在这种情况下为49MB。
这是第一个Stripe的输出示例:
Stripe 1:
Column 0: count: 3845120 hasNull: false
Column 1: count: 3845120 hasNull: false min: a max: b sum: 246087680
Column 2: count: 3845120 hasNull: false min: aa max: bb sum: 30288860
Column 3: count: 3845120 hasNull: false min: aaa max: bbb sum: 89174415
Column 4: count: 3845120 hasNull: false
Column 5: count: 3845120 hasNull: false min: 2019-09-24 00:00:00.0 max: 2019-09-24 23:45:00.0 min UTC: 2019-09-24 02:00:00.0 max UTC: 2019-09-25 01:45:00.0
Column 6: count: 3845120 hasNull: false min: 2019-09-24 00:15:00.0 max: 2019-09-25 00:00:00.0 min UTC: 2019-09-24 02:15:00.0 max UTC: 2019-09-25 02:00:00.0
Column 7: count: 3845120 hasNull: false min: 1 max: 36680 sum: 36262602
并且在列出所有条纹之后再次显示详细输出(同样是第一个条纹):
Stripes:
Stripe: offset: 3 data: 17106250 rows: 3845120 tail: 185 index: 51578
Stream: column 0 section ROW_INDEX start: 3 length 55
Stream: column 1 section ROW_INDEX start: 58 length 21324
Stream: column 2 section ROW_INDEX start: 21382 length 3944
Stream: column 3 section ROW_INDEX start: 25326 length 12157
Stream: column 4 section ROW_INDEX start: 37483 length 55
Stream: column 5 section ROW_INDEX start: 37538 length 4581
Stream: column 6 section ROW_INDEX start: 42119 length 4581
Stream: column 7 section ROW_INDEX start: 46700 length 4881
Stream: column 1 section DATA start: 51581 length 57693
Stream: column 1 section LENGTH start: 109274 length 16
Stream: column 1 section DICTIONARY_DATA start: 109290 length 623365
Stream: column 2 section DATA start: 732655 length 447898
Stream: column 2 section LENGTH start: 1180553 length 148
Stream: column 2 section DICTIONARY_DATA start: 1180701 length 968
Stream: column 3 section DATA start: 1181669 length 2449521
Stream: column 3 section LENGTH start: 3631190 length 6138
Stream: column 3 section DICTIONARY_DATA start: 3637328 length 303255
Stream: column 5 section DATA start: 3940583 length 5329298
Stream: column 5 section SECONDARY start: 9269881 length 172
Stream: column 6 section DATA start: 9270053 length 5334123
Stream: column 6 section SECONDARY start: 14604176 length 172
Stream: column 7 section DATA start: 14604348 length 2553483
Encoding column 0: DIRECT
Encoding column 1: DICTIONARY_V2[16914]
Encoding column 2: DICTIONARY_V2[214]
Encoding column 3: DICTIONARY_V2[72863]
Encoding column 4: DIRECT
Encoding column 5: DIRECT_V2
Encoding column 6: DIRECT_V2
Encoding column 7: DIRECT_V2
这里推荐什么? Hive的默认值似乎提到256MB,但这似乎与spark计算的值范围完全不同。这里的原理是什么?
为什么呢:
spark.conf.get("orc.dictionary.key.threshold")
java.util.NoSuchElementException: orc.dictionary.key.threshold
即使可以清楚地看到以某种方式设置了字典,也会失败?查看spark的代码库,我无法确定此属性是否在任何地方设置https://github.com/apache/spark/search?q=orc.dictionary.key.threshold&unscoped_q=orc.dictionary.key.threshold
orc的最新版本引入了布隆过滤器和索引。也可以从spark中使用这些吗?
请与我分享其他调音技巧。
问题的某些部分仍未解决。请改进答案。
对于ORC高级设置:
https://spark.apache.org/docs/latest/sql-data-sources-load-save-functions.html
usersDF.write.format("orc") .option("orc.bloom.filter.columns", "favorite_color") .option("orc.dictionary.key.threshold", "1.0") .save("users_with_options.orc")
实际上,可以简单地将其作为.option
传递给writer
。如果要在使用--conf
启动火花时设置这些设置,请确保在其前面加上spark.orc.bloom.filter.columns
作为前缀,否则将被忽略。
选择正确的文件大小很重要。越大往往越好。实际上,我可以观察到5个文件和10个文件在1GB左右的差异(5个文件的存储需求较少)。
TBC