Set parquet snappy output file size is hive?
我正在尝试在dfs.block.size边界上拆分由hiveINSERT OVERWRITE TABLE ...创建的镶木地板/易拉皮文件,因为当分区中的文件大于块大小时,impala会发出警告。
impala记录以下警告:
1 | Parquet files should not be split into multiple hdfs-blocks. file=hdfs://<SERVER>/<PATH>/<PARTITION>/000000_0 (1 of 7 similar) |
代码:
1 2 3 4 5 6 7 | CREATE TABLE <TABLE_NAME>(<FILEDS>) PARTITIONED BY ( year SMALLINT, month TINYINT ) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\\037' STORED AS PARQUET TBLPROPERTIES ("parquet.compression"="SNAPPY"); |
对于
1 2 3 4 5 6 7 8 9 10 11 12 13 | SET dfs.block.size=134217728; SET hive.exec.reducers.bytes.per.reducer=134217728; SET hive.merge.mapfiles=true; SET hive.merge.size.per.task=134217728; SET hive.merge.smallfiles.avgsize=67108864; SET hive.exec.compress.output=true; SET mapred.max.split.size=134217728; SET mapred.output.compression.type=BLOCK; SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec; INSERT OVERWRITE TABLE <TABLE_NAME> PARTITION (year=<YEAR>, month=<MONTH>) SELECT <FIELDS> from <ANOTHER_TABLE> where year=<YEAR> and month=<MONTH>; |
问题在于到处都有文件检获:
1 2 3 4 | partition 1: 1 file: size = 163.9 M partition 2: 2 file: size = 207.4 M, 128.0 M partition 3: 3 file: size = 166.3 M, 153.5 M, 162.6 M partition 4: 3 file: size = 151.4 M, 150.7 M, 45.2 M |
无论
是否有一种方法/设置来确保输出实木复合地板/快照文件的分割刚好低于hdf??s块大小?
一旦文件增长到单个HDFS块的大小并启动??新文件,就无法关闭文件。这将与HDFS通常的工作方式背道而驰:拥有跨越多个块的文件。
Impala的正确解决方案是在块位于本地的情况下安排其任务,而不是抱怨文件跨越多个块。这是最近以IMPALA-1881完成的,并将在Impala 2.3中发布。
您需要同时设置镶木地板块大小和dfs块大小:
1 2 | SET dfs.block.size=134217728; SET parquet.block.size=134217728; |
两个都需要设置为相同,因为您希望将镶木地板块放入hdfs块中。
在某些情况下,您可以通过设置已经完成的mapred.max.split.size(镶木地板1.4.2)来设置镶木地板块的大小。您可以将其设置为小于hdfs块大小,以提高并行度。在可能的情况下,Parquet尝试与hdfs块对齐:
https://github.com/Parquet/parquet-mr/pull/365
编辑11/16/2015:
根据
https://github.com/Parquet/parquet-mr/pull/365#issuecomment-157108975
这也可能是在Impala 2.3中修复的IMPALA-1881。