hadoop - 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，unsorted_table 约为 117GB。大小在这里无关紧要。

我使用 Spark SQL 运行了以下两个查询:

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，我发现对 sorted_table 的查询只读取了 127 MB 的数据，而对 unsorted_table 的查询读取了 35 GB 的数据以计算出计数。

所以我的问题是:

1. Spark 如何通过读取较少的数据来计算计数？
2. 为什么与 sorted_table 上的作业相比，sorted_table 上的作业读取的数据更少unsorted_table?

Answer 1

Parquet 文件存储在称为行组的 block 中。每个行组可以有一些与每个字段/列相关联的元数据，包括行数、最小值和最大值。由于您的数据已排序，因此 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。但如果我正在寻找特定的日期范围，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/但我没有看到列出的 min 和 max ......这可能是特定于实现的。