Spark Data Frame写入镶木地板表格 - 在更新分区统计数据时速度缓慢 [英] Spark Data Frame write to parquet table - slow at updating partition stats

问题描述

在所有任务成功完成后，我将数据从数据框写入parquet表（分区）时，进程停留在更新分区统计信息中。

  16/10/05 03:46:13 WARN log：快速更新分区统计信息：
 16/10/05 03:46:14 WARN log：更新大小为143452576 
 16/10/05 03:48:30 WARN log：快速更新分区统计信息：
 16/10/05 03:48:31 WARN log：更新大小为147382813 
 16/10/05 03 ：51：02 WARN log：快速更新分区统计信息：
 
 
 
 df.write.format（parquet）。mode（overwrite）。partitionBy（part1 ）.insertInto（db.tbl）
  

我的表格有> 400列和> 1000个分区。
请让我知道我们是否可以优化和加速更新分区统计信息。 解决方案

我感觉问题在这里> 400列文件的分区太多。每次您在配置单元中覆盖表格时，统计信息都会更新。在你的情况下，它会尝试更新1000个分区的统计信息，并且每个分区的数据也有> 400列。

尝试减少分区数量（使用另一个分区列或者如果它是日期列考虑按月分区），您应该能够看到性能发生重大变化。

When I write data from dataframe into parquet table ( which is partitioned ) after all the tasks are successful, process is stuck at updating partition stats.

16/10/05 03:46:13 WARN log: Updating partition stats fast for: 
16/10/05 03:46:14 WARN log: Updated size to 143452576
16/10/05 03:48:30 WARN log: Updating partition stats fast for: 
16/10/05 03:48:31 WARN log: Updated size to 147382813
16/10/05 03:51:02 WARN log: Updating partition stats fast for: 



df.write.format("parquet").mode("overwrite").partitionBy(part1).insertInto(db.tbl)

My table has > 400 columns and > 1000 partitions. Please let me know if we can optimize and speedup updating partition stats.

解决方案

I feel the problem here is there are too many partitions for a > 400 columns file. Every time you overwrite a table in hive , the statistics are updated. IN your case it will try to update statistics for 1000 partitions and again each partition has data with > 400 columns.

Try reducing the number of partitions (use another partition column or if it is a date column consider partitioning by month) and you should be able to see a significant change in performance.

这篇关于Spark Data Frame写入镶木地板表格 - 在更新分区统计数据时速度缓慢的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！