代码之家 › 专栏 › 技术社区 › Thomas Decaux

将异构数据存储在HDFS内的parquet文件中的数据模式

parquet hdfs database

Thomas Decaux · 技术社区 · 7 年前

{"event":"click", "click_url":..., ...},
{"event":"view","view_item":...., ...}

每个事件(单击/查看/加载/点击…)都有不同的字段。

随着我们计划添加越来越多的事件,这是不可伸缩的(我不能想象一个超过128列的拼花文件!)。

我们已经使用分区了: year=2018/month=8/day=20 ,单个配置单元表和apachespark进行查询。

什么样的体系结构(可能是一个按事件划分的分区和一个相关联的配置单元表)最适合这种情况?

1 回复 | 直到 7 年前

Zoltan 7 年前

您可以采用不同模式的联合,就像您已经在做的那样。存储“稀疏”或“宽”数据(表中的列数较多,但单个记录中的列数较少)实际上是Parquet擅长的一个领域。一些文章摘录提到了这一点:

具有大量空值的稀疏列将压缩为几乎为零

当查询是在稀疏数据或列选择中基数较低时,Parquet确实非常出色。

它特别适用于从宽表(有许多列)中读取特定列的查询,因为只读取所需的列,并且IO最小化。”

您可能希望在查询中提及特定的列,而不是执行 SELECT * 利用这一点。

推荐文章

guilhermecgs · 拼花文件-具有可变频率的时间序列

8 年前

Jay · 对Pyarrows的HdfsClient使用多处理

8 年前

Yevgeni Litvin · 在spark中创建行组大小小于100的拼花地板文件

8 年前

Mark Rajcok · 如何在构建拼花cpp时静态链接箭头?

8 年前

visuman · AttributeError:LooseVersion实例没有属性“version”

8 年前

Marcel Mars · Pyspark将文件另存为parquet并读取

8 年前

Rijo Joseph · Spark读取拼花文件的问题

8 年前

user6344468 · 在读取拼花文件时,Amazon Athena无法在数组中正确保留struct的属性名称

8 年前

Martin Studer · 从拼花文件读取/写入pyarrow张量

8 年前

M80 · 通过为包含JSON的列定义模式来创建配置单元表的视图

8 年前