Spark SQL repartition 为啥生成的文件变大了？-低调大师

Spark SQL repartition 为啥生成的文件变大了？

2020-05-28 804

记录一个客户问题

客户用Spark SQL的repartition接口来解决Hive ORC表小文件的问题，发现文件膨胀的很厉害

比如原来有1000个小文件，总大小是500MB
repartition(10) 再 insert overwrite之后

10个文件总大小是2～3GB

但是检查了一下最终的两个分区的 row count是一致的

调查结论

先说一下这两接口不同

repartition 把record完全打乱最终随机插入到10个文件有Shuffle
coalesce 把相邻的分区的数据捏在一起，没有Shuffle

为啥shuffle打乱数据会让最终的表输出文件变大

其实就是 ORC 数据编码问题
原来的源分区其实是通过HashPartition的方式分布的，这样的数据分布可以让ORC的编码压缩得更加极致，而repartition完全打乱后导致本来在一个文件的相同记录分布到10个文件，那就是每个文件都有该记录的编码索引，那么最终文件就变大了

所以推荐使用 coalesce 接口来做类似的事情

微信关注我们

原文链接：https://yq.aliyun.com/articles/763006

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

【最佳实践】Filebeat实现MySQL日志轻量化发送至Elasticsearch

在今天的文章中，我们来详细地描述如果使用Filebeat把MySQL的日志信息传输到Elasticsearch中。环境准备 1、准备centos7.4版本 ECS 环境，关闭 selinux、firewall。2、准备阿里云elasticsearch 6.7 版本环境，并使用创建的账号密码登录Kibana3、安装 Filebeat 版本为 6.7.04、安装 MySQL 版本为 5.6.48 安装 MySQL 我们需要通过以下命令，来对 MySQL 进行安装。 # yum install mysql-server # systemctl start mysqld # systemctl status mysqld ####通过mysqladmin设置root密码##### # mysqladmin -u root password "12

2020-05-29

712

作者|何霜霜（谢萱）出品|阿里巴巴新零售淘系技术部背景新奥创技术体系，是手机淘宝端搭载着星环中台的整个商业化研发体系，孵化出的面对无线电商领域的技术体系。过去一年在手淘完成了下单、详情、购物车三大业务域的改造，接下来还会在订单、手淘导购等领域进行技术升级。目前新奥创已经接入阿里内的9个 App，逐步成为阿里集团无线领域电商系的技术解决方案。本文主要围绕新奥创技术体系的升级，剖析架构升级对测试保障带来的新的转变，也是新的机遇。新奥创的升级新奥创是在基于组件化协议产品的基础上诞生的，并且结合端侧动态化技术，整体架构上升级了5大能力： ▐ 端侧动态化能力引入（DinamicX）新奥创在解决业务端侧发版和客户端单点资源问题上，引入了DinamicX动态化能力。DinamicX是一套纯native的解决方案，专注于UI模板渲染，优势是高性能

2020-05-29

908

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。