将数据块上的重分区数据帧加速到s3

问题描述

我正在Databricks上运行一个笔记本，该笔记本创建分区的PySpark数据帧并将其上传到s3。该表具有约5,000个文件，总大小约为5 GB（需要以这种方式进行分区，以便Athena对其进行有效查询）。我的问题是，将文件写入s3似乎是顺序的，而不是并行的，可能要花费一个小时。例如：

df.repartition("customer_id")
  .write.partitionBy("customer_id")
  .mode("overwrite")
  .format("parquet")
  .save("s3a://mybucket/path-to-table/")

我已使用以下配置在AWS上启动了集群（i3.xlarge）：

spark.hadoop.orc.overwrite.output.file true
spark.databricks.io.directoryCommit.enableLogicalDelete true
spark.sql.sources.commitProtocolClass org.apache.spark.sql.execution.datasources.sqlHadoopMapReduceCommitProtocol
parquet.enable.summary-Metadata false
spark.hadoop.fs.s3.maxRetries 20
spark.databricks.hive.metastore.glueCatalog.enabled true
spark.hadoop.validateOutputSpecs false
mapreduce.fileoutputcommitter.marksuccessfuljobs false
spark.sql.legacy.parquet.datetimeRebaseModeInRead CORRECTED
spark.hadoop.fs.s3.consistent.retryPeriodSeconds 10
spark.speculation true
spark.hadoop.fs.s3.consistent true
spark.hadoop.fs.s3.consistent.retryCount 5

在这种情况下，当我有很多小文件需要快速写入s3时，推荐的方法是什么？

解决方法

我看到您的写入速度缓慢且可以加快速度的几个原因：

1. 您可能有超过5,000个客户？因此，使用by分区，您可能会有超过5,000个分区。由于元存储中的开销，使用Parquet（非Delta Lake表）时，这可能会非常慢。我认为您不需要这么多分区。
2. 有5,000个5GB的文件，每个文件的大小约为1MB。这很小。针对此问题，您写出的文件大小应接近100MB。
3. 默认集群选项经过精心设计，我很少需要更改它们，当我这样做时，我会启用新功能。您应该尝试解决上述问题，并删除设置上的所有这些替代。
4. Repartition（“ customer_id”）和partitionBy（“ customer_id”）是多余的。

推荐：

1. 要获取的文件大小最大约为100MB，如果上一阶段创建了超过50个分区，则可以使用coalesce（）进行操作。
2. 通过customer_id删除分区，也许您可​​能会认为有充分的理由，但是小文件和大量分区正在损害您的性能。
3. 尝试使用开放的Delta Lake格式（例如CREATE TABLE ... USING DELTA LOCATION ...。这将加快您的客户选择查询的速度，如果您也OPTIMIZE ... ZORDER BY customer_id，则会加快对customer_id的联接，并且可以自动优化文件的大小。

最终结果看起来更加简洁

df.coalesce(50)
  .write
  .mode("overwrite")
  .format("delta")
  .save("s3a://mybucket/path-to-table/")

请参见自动优化选项以自动调整文件大小：https://docs.databricks.com/delta/optimizations/auto-optimize.html#usage

Delta Lake表可以与Athena https://docs.databricks.com/delta/presto-integration.html#presto-and-athena-to-delta-lake-integration

一起使用 ,

在s3存储桶上，您是否设置了fs.s3a.fast.upload = true？我正在此link

上查看类似的机票