S3 Select 会加速 Spark 对 Parquet 文件的分析吗？

Question

您可以将S3 Select 与 Amazon EMR 上的 Spark和Databricks 一起使用，但仅限于 CSV 和 JSON 文件。 我猜 S3 Select 没有为柱状文件格式提供，因为它不会有太大帮助。

假设我们有一个包含first_name 、 last_name和country列的人员的数据湖。

如果数据存储为 CSV 文件并且您运行类似peopleDF.select("first_name").distinct().count()的查询，则 S3 会将所有列的所有数据传输到 ec2 集群以运行计算. 这真的很低效，因为我们不需要所有的last_name和country数据来运行这个查询。

如果数据存储为 CSV 文件并且您使用 S3 select 运行查询，则 S3 将仅传输first_name列中的数据以运行查询。

spark
  .read
  .format("s3select")
  .schema(...)
  .options(...)
  .load("s3://bucket/filename")
  .select("first_name")
  .distinct()
  .count()

如果数据存储在 Parquet 数据湖中并peopleDF.select("first_name").distinct().count() ，则 S3 只会将first_name列中的数据传输到 ec2 集群。 Parquet 是一种列式文件格式，这是主要优点之一。

因此，根据我的理解，S3 Select 无助于加快对 Parquet 数据湖的分析，因为列式文件格式提供开箱即用的 S3 Select 优化。

我不确定，因为一位同事确定我错了，而且因为S3 Select 支持 Parquet 文件格式。 您能否确认分栏文件格式提供了 S3 Select 提供的主要优化？

Answer 1

这是个有趣的问题。 我没有任何实数，尽管我已经在 hadoop-aws 模块中完成了 S3 选择绑定代码。 Amazon EMR 和数据块一样具有一些价值。

对于 CSV IO 是的，S3 Select 将在对源数据进行积极过滤的情况下加速，例如许多 GB 的数据，但返回的数据不多。 为什么？ 尽管读取速度较慢，但您可以节省 VM 的有限带宽。

但是对于 Parquet，工作人员将一个大文件拆分成多个部分并安排它们之间的工作（假设使用像 snappy 这样的可拆分压缩格式），因此 > 1 个工作人员可以处理同一个文件。 而且他们只读取了一小部分数据（==带宽收益较少），但他们确实在该文件中四处寻找（==需要优化寻找策略，否则中止和重新打开 HTTP 连接的成本）

如果集群中有足够的容量并且您已经调整了 s3 客户端设置（对于 s3a 这意味着：查找策略、线程池大小、http 池大小），我不相信 S3 集群中的 Parquet 读取可以击败 spark 集群也是为了表现。

就像我说的：我不确定。 欢迎提供数字。

Answer 2

在 parquet [1] 上遇到了用于 s3 select 的这个 spark 包

[1] https://github.com/minio/spark-select