写一个带有增量编码列的镶木地板文件

Question

我正在尝试使用 delta 编码编写镶木地板文件。 This page，指出 parquet 支持三种类型的增量编码：

    (DELTA_BINARY_PACKED, DELTA_LENGTH_BYTE_ARRAY, DELTA_BYTE_ARRAY).

由于spark、pyspark或pyarrow不允许我们指定编码方法，我很好奇如何编写启用了delta编码的文件？

但是，我在互联网上发现，如果我有 TimeStamp 类型的列，parquet 将使用增量编码。所以我在 scala 中使用了以下代码来创建一个 parquet 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：

如何使用增量编码编写 parquet 文件？（如果你可以的话在 scala 或 python 中提供示例代码会很棒。）
如何决定使用哪个 "delta encoding": (DELTA_BINARY_PACKED, DELTA_LENGTH_BYTE_ARRAY, DELTA_BYTE_ARRAY)？

Answer 1

在使用 PySpark 生成 parquet 文件时弄清楚如何启用 DELTA 编码真的很有挑战性。

我们生成了大量数字数据，使用 DELTA 编码可以真正受益。在我的测试中，我能够使用 DELTA 编码将一个 136.9MB 的小测试文件减少到 101.6MB。对于我们的用例，我们生成了数 TB 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。我会提及它们，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。这是它工作的唯一方式。此外，由于某种原因，该设置仅在创建 spark 上下文时有效。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]

但是，您无法像往常一样在 PySpark 中读取相同的文件 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，Pandas 在撰写本文时不会读取这些文件 post。

Parquet files v2.0 created by spark can't be read by pyarrow

写一个带有增量编码列的镶木地板文件

Write a parquet file with delta encoded coulmns

scala

apache-spark

parquet

pyspark

pyarrow