1

我正在对 hdfs 中的块大小 (dfs.block.size) 和行组大小 (parquet.block.size) 进行一些实验。

我在 hdfs 中有大量数据，我想复制具有各种块大小和行组大小的数据以进行测试。我可以使用以下方法复制具有不同块大小的数据：

hdfs dfs -D dfs.block.size=67108864 -D parquet.block.size=67108864 -cp /new_sample_parquet /new_sample_parquet_64M

但只有 dfs.block.size 被改变。我正在验证hdfs dfs -stat块大小和parquet-tools meta行组大小。事实上，如果我用它替换parquet.block.size它blah.blah.blah也有同样的效果。我什至进入 spark-shell 并parquet.block.size使用手动设置属性

sc.hadoopConfiguration.setInt("parquet.block.size", 67108864).

我正在使用 hadoop 3.1.0。我parquet.block.size从这里得到了属性名称。

这是我尝试输出的前 10 行

row group 1:                    RC:4140100 TS:150147503 OFFSET:4
row group 2:                    RC:3520100 TS:158294646 OFFSET:59176084
row group 3:                    RC:880100 TS:80122359 OFFSET:119985867
row group 4:                    RC:583579 TS:197303521 OFFSET:149394540
row group 5:                    RC:585594 TS:194850776 OFFSET:213638039
row group 6:                    RC:2620100 TS:130170698 OFFSET:277223867
row group 7:                    RC:2750100 TS:136761819 OFFSET:332088066
row group 8:                    RC:1790100 TS:86766854 OFFSET:389772650
row group 9:                    RC:2620100 TS:125876377 OFFSET:428147454
row group 10:                   RC:1700100 TS:83791047 OFFSET:483600973

如您所见，TS（总大小）远大于 64MB（67108864 字节）

我目前的理论：

我在 spark-shell 中这样做：

sc.hadoopConfiguration.setInt("parquet.block.size", 67108864)
val a = spark.read.parquet("my_sample_data")
a.rdd.getNumPartitions // 1034
val s = a.coalesce(27)
s.write.format("parquet").mode("Overwrite").options(Map("dfs.block.size" -> "67108864")).save("/my_new_sample_data")

所以也许是因为我的输入数据已经有 1034 个分区。我真的不确定。我的数据每行大约有 118 列。

4

1 回答 1

3

该parquet.block.size属性仅影响 Parquet 写入器。hdfs dfs -cp另一方面，该命令复制文件而不管其内容如何。因此，该parquet.block.size属性被 忽略hdfs dfs -cp。

想象一下，您有一个应用程序可以截取 JPG 或 PNG 格式的屏幕截图，具体取决于配置文件。cp您可以使用该命令制作这些屏幕截图的副本。自然，即使您在配置文件中更改了所需的图像格式，该cp命令将始终以原始文件的图像格式创建输出文件，而与配置文件无关。配置文件仅由屏幕截图应用程序使用，而不由cp. 这也是该parquet.block.size物业的运作方式。

更改块大小的方法是重写文件。你提到你有spark-shell. 使用它通过发出重写 Parquet 文件

sc.hadoopConfiguration.setInt("parquet.block.size", 67108864)
var df = spark.read.parquet("/path/to/input.parquet")
df.write.parquet("/path/to/output")

更新：由于您在下面的评论中提到它对您不起作用，因此我做了一个实验并在下面发布了会话记录：

$ spark-shell
scala> sc.hadoopConfiguration.setInt("parquet.block.size", 200000)
scala> var df = spark.read.parquet("/tmp/infile.parquet")
df: org.apache.spark.sql.DataFrame = [field0000: binary, field0001: binary ... 78 more fields]
scala> df.write.parquet("/tmp/200K")
scala> df.write.format("parquet").mode("Overwrite").options(Map("parquet.block.size" -> "300000")).save("/tmp/300K")
scala> :quit
$ hadoop fs -copyToLocal /tmp/{200K,300K} /tmp
$ parquet-tools meta /tmp/infile.parquet | grep "row group" | head -n 3
row group 1:  RC:4291 TS:5004800 OFFSET:4
row group 2:  RC:3854 TS:4499360 OFFSET:5004804
row group 3:  RC:4293 TS:5004640 OFFSET:10000000
$ parquet-tools meta /tmp/200K/part-00000-* | grep "row group" | head -n 3
row group 1:   RC:169 TS:202080 OFFSET:4
row group 2:   RC:168 TS:201760 OFFSET:190164
row group 3:   RC:169 TS:203680 OFFSET:380324
$ parquet-tools meta /tmp/300K/part-00000-* | grep "row group" | head -n 3
row group 1:   RC:254 TS:302720 OFFSET:4
row group 2:   RC:255 TS:303280 OFFSET:284004
row group 3:   RC:263 TS:303200 OFFSET:568884

通过查看 TS 值，您可以看到输入文件的行组大小为 4.5-5M，输出文件的行组大小分别为 200K 和 300K。这表明使用设置的值sc.hadoopConfiguration成为“默认值”，而您在下面的评论中提到的其他方法涉及df.options覆盖此默认值。

更新 2：现在您已经发布了输出，我可以看到发生了什么。在您的情况下，正在发生压缩，从而增加了适合行组的数据量。行组大小适用于压缩数据，但 TS 显示未压缩数据的大小。但是，您可以通过减去行组的起始偏移量来推断行组的大小。例如，第一个行组的压缩大小为 59176084 - 4 = 59176080 字节或更小（因为也可以进行填充）。我将您的结果复制到我计算机上的 /tmp/rowgroups.dat 中，并通过发出以下命令计算您的行组大小：

$ cat /tmp/rowgroups.dat | sed 's/.*OFFSET://' | numinterval
59176080
60809783
29408673
64243499
63585828
54864199
57684584
38374804
55453519

（该numinterval命令num-utils在 Ubuntu 的软件包中。）如您所见，您的所有行组都小于您指定的行组大小。（它们不完全符合指定尺寸的原因是PARQUET-1337。）

于 2018-11-19T13:34:58.183 回答