scala - 将大文件写入 S3 的最佳方法是什么？

Question

我正在使用 zeppelin 和 spark，我想从 S3 获取一个 2TB 的文件并在 Spark 中对其运行转换，然后将其发送到 S3，以便我可以在 Jupyter notebook 中处理该文件。转换非常简单。

我正在将文件作为 Parquet 文件读取。我认为大约有 2TB，但我不确定如何验证。

它大约有 1000 万行和 5 列，所以它相当大。

我尝试执行 my_table.write.parquet(s3path) 并且我尝试了 my_table.write.option("maxRecordsPerFile", 200000).parquet(s3path)。我如何找到编写大型 Parquet 文件的正确方法？

Answer 1

这些是您可以考虑的要点...

1) maxRecordsPerFile 设置:

与

my_table.write.parquet(s3path)

Spark 为每个任务写出一个文件。

保存的文件数 = 保存的 RDD/Dataframe 的分区数。因此，这可能会导致文件大得离谱(当然，您可以对数据进行重新分区并保存重新分区意味着跨网络随机播放数据。)。

限制每个文件的记录数

my_table.write.option("maxRecordsPerFile", numberOfRecordsPerFile..yourwish).parquet(s3path)

它可以避免生成巨大的文件。

2) 如果您使用的是 AWS Emr (Emrfs)，这可能是您可以考虑的要点之一。

emr-spark-s3-optimized-committer

当未使用 EMRFS S3 优化提交器时:

• 使用 S3A 文件系统时。
• 使用 Parquet 以外的输出格式时，例如 ORC 或文本。

3) 使用压缩技术、算法版本和其他 spark 配置:

.config("spark.hadoop.mapreduce.fileoutputcommitter.algorithm.version", 2)
.config("spark.hadoop.mapreduce.fileoutputcommitter.cleanup-failures.ignored", true)
.config("spark.hadoop.parquet.enable.summary-metadata", false)
.config("spark.sql.parquet.mergeSchema", false)
.config("spark.sql.parquet.filterPushdown", true) // for reading purpose 
.config("mapreduce.fileoutputcommitter.algorithm.version", "2")
.config("spark.sql.parquet.compression.codec", "snappy")
.getOrCreate()

4) 如果您使用 s3a，则快速上传和其他 Prop :

  .config("spark.hadoop.fs.s3a.fast.upload","true")
  .config("spark.hadoop.fs.s3a.fast.upload","true")
  .config("spark.hadoop.fs.s3a.connection.timeout","100000")
  .config("spark.hadoop.fs.s3a.attempts.maximum","10")
  .config("spark.hadoop.fs.s3a.fast.upload","true")
  .config("spark.hadoop.fs.s3a.fast.upload.buffer","bytebuffer")
  .config("spark.hadoop.fs.s3a.fast.upload.active.blocks","4")
  .config("fs.s3a.connection.ssl.enabled", "true")