[英]PySpark 1.6.1 DataFrame.write.parquet job not finishing
[英]PySpark Write Parquet Binary Column with Stats (signed-min-max.enabled)
我發現這張apache-parquet票證https://issues.apache.org/jira/browse/PARQUET-686被標記為parquet-mr
1.8.2已解決。 我想要的功能是( string
或BINARY
)列的實木復合地板元數據中計算出的min/max
。
並引用此為電子郵件https://lists.apache.org/thread.html/%3CCANPCBc2UPm+oZFfP9oT8gPKh_v0_BF0jVEuf=Q3d-5=ugxSFbQ@mail.gmail.com%3E ,該電子郵件使用scala
而不是pyspark
作為示例:
Configuration conf = new Configuration(); + conf.set("parquet.strings.signed-min-max.enabled", "true"); Path inputPath = new Path(input); FileStatus inputFileStatus = inputPath.getFileSystem(conf).getFileStatus(inputPath); List<Footer> footers = ParquetFileReader.readFooters(conf, inputFileStatus, false);
我一直無法在pyspark
設置此值(也許我在錯誤的位置設置了它?)
示例數據框
import random
import string
from pyspark.sql.types import StringType
r = []
for x in range(2000):
r.append(u''.join(random.choice(string.ascii_uppercase + string.digits) for _ in range(10)))
df = spark.createDataFrame(r, StringType())
我嘗試了幾種其他方法來設置此選項:
df.write.format("parquet").option("parquet.strings.signed-min-max.enabled", "true").save("s3a://test.bucket/option")
df.write.option("parquet.strings.signed-min-max.enabled", "true").parquet("s3a://test.bucket/option")
df.write.option("parquet.strings.signed-min-max.enabled", True).parquet("s3a://test.bucket/option")
但是所有已保存的鑲木地板文件都缺少BINARY列的ST / STATS。 這是一個實木復合地板文件之一的元數據輸出示例:
creator: parquet-mr version 1.8.3 (build aef7230e114214b7cc962a8f3fc5aeed6ce80828)
extra: org.apache.spark.sql.parquet.row.metadata = {"type":"struct","fields":[{"name":"value","type":"string","nullable":true,"metadata":{}}]}
file schema: spark_schema
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
value: OPTIONAL BINARY O:UTF8 R:0 D:1
row group 1: RC:33 TS:515
---------------------------------------------------------------------------------------------------
另外,根據此電子郵件鏈https://mail-archives.apache.org/mod_mbox/spark-user/201410.mbox/%3C9DEF4C39-DFC2-411B-8987-5B9C33842974@videoamp.com%3E和問題: 指定鑲木地板物業pyspark
我嘗試通過pyspark私有API潛入配置:
spark.sparkContext._jsc.hadoopConfiguration().setBoolean("parquet.strings.signed-min-max.enabled", True)
因此,我仍然無法在parquet-mr
設置此conf parquet.strings.signed-min-max.enabled
(或已設置,但其他地方出了問題)
parquet-mr
min/max
元數據? 由於歷史上Parquet編寫者為UTF-8字符串編寫的min / max值錯誤,因此除非設置parquet.strings.signed-min-max.enabled
,否則新的Parquet實現會在讀取過程中跳過這些統計信息。 因此,此設置是一個讀選項,它告訴Parquet庫信任已知的最小/最大值,盡管它們存在已知的不足。 可以安全啟用此設置的唯一情況是字符串僅包含ASCII字符,因為這些字符的對應字節永遠不會為負。
由於您使用parquet-tools
來轉儲統計信息,而parquet-tools
本身使用了Parquet庫,因此默認情況下它將忽略字符串最小/最大統計信息。 盡管文件中似乎沒有最小值/最大值,但實際上它們存在,但會被忽略。
PARQUET-1025是解決此問題的合適方法,它引入了新的統計字段min-value
和max-value
。 這些可以正確處理UTF-8字符串。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.