使用 delta 编码 coulmns 编写 parquet 文件

Question

我试图用增量编码编写镶木地板文件。 此页面指出 parquet 支持三种类型的 delta 编码：

    (DELTA_BINARY_PACKED, DELTA_LENGTH_BYTE_ARRAY, DELTA_BYTE_ARRAY).

由于spark或不允许我们指定编码方法，我很好奇如何编写启用增量编码的文件pyspark？pyarrow

但是，我在互联网上发现，如果我有TimeStamp镶木地板类型的列，将使用增量编码。所以我使用以下代码来scala创建镶木地板文件。但编码不是增量。

    val df = Seq(("2018-05-01"),
                ("2018-05-02"),
                ("2018-05-03"),
                ("2018-05-04"),
                ("2018-05-05"),
                ("2018-05-06"),
                ("2018-05-07"),
                ("2018-05-08"),
                ("2018-05-09"),
                ("2018-05-10")
            ).toDF("Id")
    val df2 = df.withColumn("Timestamp", (col("Id").cast("timestamp")))
    val df3 = df2.withColumn("Date", (col("Id").cast("date")))

    df3.coalesce(1).write.format("parquet").mode("append").save("date_time2")

parquet-tools显示有关写入的 parquet 文件的以下信息。

file schema: spark_schema 
--------------------------------------------------------------------------------
Id:          OPTIONAL BINARY L:STRING R:0 D:1
Timestamp:   OPTIONAL INT96 R:0 D:1
Date:        OPTIONAL INT32 L:DATE R:0 D:1

row group 1: RC:31 TS:1100 OFFSET:4 
--------------------------------------------------------------------------------
Id:           BINARY SNAPPY DO:0 FPO:4 SZ:230/487/2.12 VC:31 ENC:RLE,PLAIN,BIT_PACKED ST:[min: 2018-05-01, max: 2018-05-31, num_nulls: 0]
Timestamp:    INT96 SNAPPY DO:0 FPO:234 SZ:212/436/2.06 VC:31 ENC:RLE,BIT_PACKED,PLAIN_DICTIONARY ST:[num_nulls: 0, min/max not defined]
Date:         INT32 SNAPPY DO:0 FPO:446 SZ:181/177/0.98 VC:31 ENC:RLE,PLAIN,BIT_PACKED ST:[min: 2018-05-01, max: 2018-05-31, num_nulls: 0]

如您所见，没有列使用增量编码。

我的问题是：

1. 如何使用 delta 编码编写镶木地板文件？scala（如果您可以在或中提供示例代码，python那就太好了。）

2. 如何决定 (DELTA_BINARY_PACKED, DELTA_LENGTH_BYTE_ARRAY, DELTA_BYTE_ARRAY) 使用哪种“增量编码”？

Answer 1

在使用 PySpark 生成镶木地板文件时，弄清楚如何启用 DELTA 编码确实具有挑战性。

我们生成大量数字数据，使用 DELTA 编码确实可以受益。在我的测试中，我能够使用 DELTA 编码将 136.9MB 的小测试文件减少到 101.6MB。对于我们的用例，我们生成 TB 级的数据，因此未来 S3 的节省值得考虑。

我的经验是使用 EMR 5.29.0 的 Spark 2.4.5。在生成 DELTA 编码文件之前和之后，我遇到了很多问题。我将提及它们，以便您了解这些问题并且不会绊倒自己。

为了在 PySpark 中生成 DELTA 编码的 parquet 文件，我们需要启用 Parquet 写入的版本 2。这是唯一有效的方法。此外，由于某种原因，该设置仅在创建 Spark 上下文时才有效。设置为：

"spark.hadoop.parquet.writer.version": "v2"

结果是：

time: INT64 GZIP DO:0 FPO:11688 SZ:84010/2858560/34.03 VC:15043098 ENC:DELTA_BINARY_PACKED ST:[min: 1577715561210, max: 1577839907009, num_nulls: 0]

然而，人们无法像您所得到的那样在 PySpark 中读回相同的文件 java.lang.UnsupportedOperationException: Unsupported encoding: DELTA_BINARY_PACKED

为了读回文件，需要禁用以下配置： spark.conf.set("spark.sql.parquet.enableVectorizedReader", "false")

另外，一个悲伤但额外的提示是，在撰写本文时，Pandas 不会读取这些文件。

Spark 创建的 Parquet 文件 v2.0 无法被 pyarrow 读取