使用 pyarrow vs pyspark 创建的镶木地板文件是否兼容？

Question

我必须分两步将 JSON 中的分析数据转换为镶木地板。对于大量现有数据，我正在编写 PySpark 作业并执行

df.repartition(*partitionby).write.partitionBy(partitionby).
    mode("append").parquet(output,compression=codec)

但是对于增量数据，我打算使用 AWS Lambda。可能 PySpark 对它来说太过分了，因此我计划为此使用 PyArrow（我知道它不必要地涉及 Pandas，但我找不到更好的选择）。所以，基本上：

import pyarrow.parquet as pq
pq.write_table(table, outputPath, compression='snappy',
    use_deprecated_int96_timestamps=True)

我想知道 PySpark 和 PyArrow 编写的 Parquet 文件是否兼容（相对于 Athena）？

Answer 1

pyarrow（长名：Apache Arrow）编写的 Parquet 文件与 Apache Spark 兼容。但是您必须小心将哪些数据类型写入 Parquet 文件，因为 Apache Arrow 比 Apache Spark 支持更广泛的数据类型。 pyarrow 中目前有一个标记 flavor=spark ，您可以使用它来自动设置一些兼容性选项，以便 Spark 可以再次读取这些文件。遗憾的是，在最新版本中，此选项还不够用（预计 pyarrow==0.9.0 会发生变化）。您应该注意使用已弃用的 INT96 类型 (use_deprecated_int96_timestamps=True) 写出时间戳，并避免使用无符号整数列。对于无符号整数列，只需将它们转换为有符号整数。遗憾的是，如果您的架构中有无符号类型而不是仅将它们加载为已签名类型，则 Spark 会出错（它们实际上始终存储为已签名，但仅标记为无符号标志）。考虑到这两件事，这些文件应该可以在 Apache Spark 和 AWS Athena（这只是引擎盖下的 Presto）中读取。

使用 pyarrow vs pyspark 创建的镶木地板文件是否兼容？

Are parquet file created with pyarrow vs pyspark compatible?

python

parquet

aws-lambda

amazon-athena

pyarrow