Question

我正在尝试在Spark（2.3）中生成一个数据集，并以ORC文件格式编写它。我正在尝试为ORC条带大小和压缩大小设置一些属性。我从this帖子中得到了一些提示。但是spark不尊重这些属性，并且在生成的ORC文件中我的条带大小比我设置的要小得多。

val conf: SparkConf = new SparkConf().setAppName("App")
  .set("spark.sql.orc.impl", "native")
  .set("spark.sql.hive.convertMetastoreOrc", "true")
  .set("spark.sql.orc.stripe.size", "67108864")
  .set("spark.sql.orc.compress.size", "262144")
  .set("orc.stripe.size", "67108864")
  .set("orc.compress.size", "262144")

data.sortWithinPartitions("column")
  .write
  .option("orc.compress", "ZLIB")
  .mode("overwrite")
  .format("org.apache.spark.sql.execution.datasources.orc")
  .save(outputPath)

我还尝试将数据写为：

data.sortWithinPartitions("column")
  .write
  .option("orc.compress", "ZLIB")
  .option("orc.stripe.size", "67108864")
  .option("orc.compress.size", "262144")
  .mode("overwrite")
  .format("org.apache.spark.sql.execution.datasources.orc")
  .save(outputPath)

但是没有运气。

ORC文件转储中的相关部分：

File Version: 0.12 with ORC_135
Rows: 3174228
Compression: ZLIB
Compression size: 32768
...
Stripe: offset: 3 data: 6601333 rows: 30720 tail: 2296 index: 16641
Stripe: offset: 6620273 data: 6016778 rows: 25600 tail: 2279 index: 13595
Stripe: offset: 12652925 data: 6031290 rows: 25600 tail: 2284 index: 13891
Stripe: offset: 18700390 data: 6132228 rows: 25600 tail: 2283 index: 13805
Stripe: offset: 24848706 data: 6066176 rows: 25600 tail: 2267 index: 13855
Stripe: offset: 30931004 data: 6562819 rows: 30720 tail: 2308 index: 16851
Stripe: offset: 37512982 data: 6462380 rows: 30720 tail: 2304 index: 16994
Stripe: offset: 43994660 data: 6655346 rows: 30720 tail: 2291 index: 17031

Answer 1

以下内容适用于Spark 2.4.4。

spark = (SparkSession
     .builder
     .config('hive.exec.orc.default.stripe.size', 64*1024*1024)
     .getOrCreate()
     )
df = ...
df.write.format('orc').save('output.orc')

Answer 2

我遇到了同样的问题，就我而言，它似乎与所使用的Hortonworks HDP版本有关。在这篇文章中，您可以看到类似的讨论，他们建议将HDP 2.6.3+与Spark 2.2+结合使用，并利用更新的Hive库：

https://community.hortonworks.com/questions/159893/spark-orc-stripe-size.html

也许您的Spark 2.3仍配置为使用较旧的Hive 1.2.1库。

如何在Spark中设置ORC条带大小

2 个答案: