编写一个带有 delta 编码列的 parquet 文件

Question

我正在尝试使用 delta 编码编写镶木地板文件。 This page，声明 parquet 支持三种 delta 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式，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拼花文件。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 显示以下有关写入 parquet 文件的信息。

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. 如何编写使用 delta 编码的 parquet 文件？ （如果你可以的话 在scala 或python 中提供一个示例代码会很棒。）

2. 如何决定使用哪个“增量编码”：(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 编码确实具有挑战性。

我们生成大量数字数据，这些数据可以真正受益于使用 DELTA 编码。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 TB 的数据，因此未来 S3 节省的成本值得考虑。

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，我都遇到了很多问题。我会提到它们，以便您了解这些问题并且不要自己绊倒。

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，该设置仅在创建火花上下文时有效。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，您无法在 PySpark 中读取相同的文件，因为您将得到 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，一个可悲但额外的提示是，在撰写本文时，Pandas 不会读取这些文件。

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