split - 如何拆分 CSV 或 JSON 文件以实现最佳 Snowflake 摄取？

Question

Snowflake 建议在摄取之前拆分大文件:

To optimize the number of parallel operations for a load, we recommend aiming to produce data files roughly 100-250 MB (or larger) in size compressed. https://docs.snowflake.com/en/user-guide/data-load-considerations-prepare.html

拆分和压缩大文件的最佳方法是什么？

Answer 1

这是我能想出的最好的命令行序列:

cat bigfile.json  | split -C 1000000000 -d -a4 - output_prefix --filter='gzip > $FILE.gz'

将第一步替换为将 JSON 或 CSV 输出到标准输出的任何内容，具体取决于源文件。如果它是一个普通文件 cat 就可以，如果它是一个 .gz 那么 gzcat，如果它是一个 .zstd然后 unzstd --long=31 -c file.zst 等

然后拆分:

• -C 1000000000 创建 1GB 的文件，但尊重行完整性的结束行。
• -d 给每个文件一个数字后缀(我更喜欢这个而不是默认字母_
• -a4 使数字后缀长度为 4(而不是只有 2)
• - 将读取管道中前一个 cat 的输出
• output_prefix 是所有输出文件的基本名称
• --filter='gzip > $FILE.gz' 使用 gzip 动态压缩 1GB 的文件，因此每个最终文件的大小约为 100MB。

Snowflake 可以摄取 .gz 文件，因此最后的压缩步骤将帮助我们在网络中移动文件。