S3 Select 会加速 Parquet 文件的 Spark 分析吗？

Question

您可以使用 S3 Select with Spark on Amazon EMR 和 with Databricks，但仅适用于 CSV 和 JSON 文件。我猜 S3 Select 不提供用于列式文件格式，因为它没有太大帮助。

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

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。这确实是低效的，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 数据湖中并运行 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 是一种柱状文件格式，这是主要优点之一。

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

我不确定，因为同事确定我错了，因为S3 Select supports the Parquet file format。您能否确认列文件格式提供了 S3 Select 提供的主要优化？

Answer 1

这是一个有趣的问题。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 有一些价值，databricks 也有。

对于 CSV IO 是的，S3 Select 将加速源数据的积极过滤，例如很多 GB 的数据，但返回不多。为什么？尽管读取速度较慢，但​​您可以节省 VM 的有限带宽。

不过，对于 Parquet，工作人员将一个大文件拆分为多个部分并在它们之间安排工作（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。他们只读取一小部分数据（==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调整 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）也用于性能。

就像我说的：我不确定。欢迎数字。

Answer 2

在 parquet [1] 上遇到了这个用于 s3 选择的 spark 包

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