dremio 对于parquet 文件的一些要求以及优化处理
dremio 比较依赖parquet 存储格式,同时对于parquet 的处理进行了不少的优化
读parquet 文件
3.1.3 提供了支持非堆内存的操作,3.2 增强了对于云parquet reader 的处理
parquet 的一些限制
- 多结构嵌套的支持限制到16
- 数组最大元素个数限制为128
- 最大footer 限制到16m
推荐的配置
- row groups , 推荐一个row grouo 一个文件,大多数数据集的目标为 1MB-25MB 列条带(理想情况下),同时dremio 默认partest 大小为256m,store.parquet.block-size 配置,可以修改
- pages, 页面压缩使用snappy, page size 为100k
- Statistics,推荐使用最新的包生成,避免问题
说明
以上dremio 关于parquet 的说明以及限制,是值得参考学习的,尤其是希望自己生成parquet 的是比较重要的,否则dremio 对于数据是不能读取的
参考资料
https://www.dremio.com/blog/tuning-parquet/
https://docs.dremio.com/software/data-formats/parquet-files/