Моя команда создает процесс ETL для загрузки сырых текстовых файлов с разделителями в паркетное "озеро данных" с использованием Spark. Один из promises хранилища столбцов Parquet заключается в том, что запрос будет читать только необходимые "полосы столбцов".
Но мы видим, что для вложенных структур схемы читаются неожиданные столбцы.
Чтобы продемонстрировать, вот POC, использующий Scala и оболочку Spark 2.0.1:
// Preliminary setup
sc.setLogLevel("INFO")
import org.apache.spark.sql.types._
import org.apache.spark.sql._
// Create a schema with nested complex structures
val schema = StructType(Seq(
StructField("F1", IntegerType),
StructField("F2", IntegerType),
StructField("Orig", StructType(Seq(
StructField("F1", StringType),
StructField("F2", StringType))))))
// Create some sample data
val data = spark.createDataFrame(
sc.parallelize(Seq(
Row(1, 2, Row("1", "2")),
Row(3, null, Row("3", "ABC")))),
schema)
// Save it
data.write.mode(SaveMode.Overwrite).parquet("data.parquet")
Затем мы читаем файл обратно в DataFrame и проецируем подмножество столбцов:
// Read it back into another DataFrame
val df = spark.read.parquet("data.parquet")
// Select & show a subset of the columns
df.select($"F1", $"Orig.F1").show
Когда это выполняется, мы видим ожидаемый результат:
+---+-------+
| F1|Orig_F1|
+---+-------+
| 1| 1|
| 3| 3|
+---+-------+
Но... план запроса показывает немного другую историю:
"Оптимизированный план" показывает:
val projected = df.select($"F1", $"Orig.F1".as("Orig_F1"))
projected.queryExecution.optimizedPlan
// Project [F1#18, Orig#20.F1 AS Orig_F1#116]
// +- Relation[F1#18,F2#19,Orig#20] parquet
И "объясните" показывает:
projected.explain
// == Physical Plan ==
// *Project [F1#18, Orig#20.F1 AS Orig_F1#116]
// +- *Scan parquet [F1#18,Orig#20] Format: ParquetFormat, InputPaths: hdfs://sandbox.hortonworks.com:8020/user/stephenp/data.parquet, PartitionFilters: [], PushedFilters: [], ReadSchema: struct<F1:int,Orig:struct<F1:string,F2:string>>
И журналы INFO, созданные во время выполнения, также подтверждают, что столбец Orig.F2 неожиданно читается:
16/10/21 15:13:15 INFO parquet.ParquetReadSupport: Going to read the following fields from the Parquet file:
Parquet form:
message spark_schema {
optional int32 F1;
optional group Orig {
optional binary F1 (UTF8);
optional binary F2 (UTF8);
}
}
Catalyst form:
StructType(StructField(F1,IntegerType,true), StructField(Orig,StructType(StructField(F1,StringType,true), StructField(F2,StringType,true)),true))
В соответствии с Dremel paper и Документация паркета, столбцы для сложных вложенных структур должны независимо храниться и независимо извлекаться.
Вопросы:
- Является ли это поведение ограничением текущего механизма запросов Spark? Другими словами, поддерживает ли Parquet оптимальное выполнение этого запроса, но планировщик запросов Spark наивен?
- Или это ограничение текущей реализации Паркета?
- Или я не правильно использую API Spark?
- Или я не понимаю, как должно работать хранилище столбцов Dremel/Parquet?
Возможно, связаны: Почему производительность запроса отличается от вложенных столбцов в Spark SQL?