使用 Spark 对 Parquet 文件进行计数操作

Question

我在 HDFS 中有两组相同的 Parquet 格式数据。
一组按 col1 排序，另一组未排序。 sorted_table 约为 127 GB，而 unsorted_table 约为 117GB。大小在这里无关紧要。

我运行使用 Spark SQL 进行了两次查询：

select col1, count(*) from sorted_table where col1 = someInt group by col1

select col1, count(*) from unsorted_table where col1 = someInt group by col1

我在 spark UI 上分析了这些查询，我发现 sorted_table 上的查询只读取了 127 MB 的数据，而 unsorted_table 上的查询读取了 35 GB 的数据来计算计数。

所以我的问题是：

Spark如何通过读取较少的数据来计算计数？
为什么 sorted_table 上的作业读取的数据比 unsorted_table?

Answer 1

Parquet 文件存储在称为行组的块中。每个行组都可以有一些与每个 field/column 相关联的元数据，包括行数、最小值和最大值。由于您的数据已排序，Spark 可以根据这些范围完全跳过数据的大块。

使用 parquet_reader，这是我的 Parquet 文件的摘录：

 Column 2
 , values: 35957, null values: 0, distinct values: 0
   max: 17305, min: 17305
   compression: SNAPPY, encodings: RLE PLAIN 
   uncompressed size: 143866, compressed size: 6800

这是一个 DATE 字段，所有值都相同，因此最大值和最小值相同。但是如果我正在寻找一个特定的日期范围，Spark 可以使用它来决定实际数据是否值得检查。

这里有关于行组的更多信息：https://parquet.apache.org/documentation/latest/ 但我没有看到 min 和 max 列出......这可能是特定于实现的。

使用 Spark 对 Parquet 文件进行计数操作

Count operation on Parquet Files using Spark

hadoop

apache-spark

parquet