apache-spark - Spark Dataframe/Parquet 中的枚举等效项

Question

我有一个包含数亿行的表，我想将其存储在 Spark 的数据帧中，并作为 Parquet 文件持久保存到磁盘。

我的 Parquet 文件的大小现在超过 2TB，我想确保我已经优化了它。

这些列中的很大一部分是字符串值，它们可能很长，但通常只有很少的值。例如，我有一列只有两个不同的值(一个 20 个字符和一个 30 个字符的字符串)，我还有另一列的字符串平均长度为 400 个字符，但所有条目中只有大约 400 个不同的值。

在关系数据库中，我通常会将这些值标准化为带有引用的不同表，或者至少使用某种枚举类型定义我的表。

我在 DF 或 Parquet 文件中看不到与该模式匹配的任何内容。列式存储是否有效地处理了这个问题？或者我应该研究一些东西来进一步优化吗？

Answer 1

Parquet 没有自动生成类枚举类型的机制，但您可以使用页面字典。页字典存储每个 Parquet 页的值列表，以允许行仅引用回字典而不是重写数据。要在 spark 中为 Parquet 编写器启用字典:

spark.conf.set("parquet.dictionary.enabled", "true")
spark.conf.set("parquet.dictionary.page.size", 2 * 1024 * 1024)

请注意，您必须在启用这些选项的情况下编写文件，否则将不会使用它。

要使用字典启用过滤存在，您可以启用

spark.conf.set("parquet.filter.dictionary.enabled", "true")

Source: Parquet performance tuning:The missing guide