Моя команда строит процесс ETL для загрузки необработанных текстовых файлов с разделителями в «озеро данных» на основе Parquet, используя Spark. Одно из обещаний хранилища столбцов Parquet заключается в том, что запрос будет читать только необходимые «полосы столбцов».

Но мы видим неожиданные столбцы, которые читаются для вложенных структур схемы.

Для демонстрации приведем POC с использованием Scala и оболочки Spark 2.0.1:

// Preliminary setup
sc.setLogLevel("INFO")
import org.apache.spark.sql.types._
import org.apache.spark.sql._

// Create a schema with nested complex structures
val schema = StructType(Seq(
    StructField("F1", IntegerType),
    StructField("F2", IntegerType),
    StructField("Orig", StructType(Seq(
        StructField("F1", StringType),
        StructField("F2", StringType))))))

// Create some sample data
val data = spark.createDataFrame(
    sc.parallelize(Seq(
        Row(1, 2, Row("1", "2")),
        Row(3, null, Row("3", "ABC")))),
    schema)

// Save it
data.write.mode(SaveMode.Overwrite).parquet("data.parquet")

Затем мы читаем файл обратно в DataFrame и проецируем в подмножество столбцов:

// Read it back into another DataFrame
val df = spark.read.parquet("data.parquet")

// Select & show a subset of the columns
df.select($"F1", $"Orig.F1").show

Когда это выполняется, мы видим ожидаемый результат:

+---+-------+
| F1|Orig_F1|
+---+-------+
|  1|      1|
|  3|      3|
+---+-------+

Но ... план запроса показывает немного другую историю:

«Оптимизированный план» показывает:

val projected = df.select($"F1", $"Orig.F1".as("Orig_F1"))
projected.queryExecution.optimizedPlan
// Project [F1#18, Orig#20.F1 AS Orig_F1#116]
// +- Relation[F1#18,F2#19,Orig#20] parquet

И "объяснить" показывает:

projected.explain
// == Physical Plan ==
// *Project [F1#18, Orig#20.F1 AS Orig_F1#116]
// +- *Scan parquet [F1#18,Orig#20] Format: ParquetFormat, InputPaths: hdfs://sandbox.hortonworks.com:8020/user/stephenp/data.parquet, PartitionFilters: [], PushedFilters: [], ReadSchema: struct<F1:int,Orig:struct<F1:string,F2:string>>

И журналы INFO, создаваемые во время выполнения, также подтверждают, что столбец Orig.F2 неожиданно прочитан:

16/10/21 15:13:15 INFO parquet.ParquetReadSupport: Going to read the following fields from the Parquet file:

Parquet form:
message spark_schema {
  optional int32 F1;
  optional group Orig {
    optional binary F1 (UTF8);
    optional binary F2 (UTF8);
  }
}

Catalyst form:
StructType(StructField(F1,IntegerType,true), StructField(Orig,StructType(StructField(F1,StringType,true), StructField(F2,StringType,true)),true))

СогласноБумага Dremel иПаркетная документациястолбцы для сложных вложенных структур должны храниться независимо и извлекаться независимо.

Вопросы:

Является ли это поведение ограничением текущего механизма запросов Spark? Другими словами, поддерживает ли Parquet оптимальное выполнение этого запроса, но планировщик запросов Spark наивен?Или это ограничение текущей реализации Parquet?Или я неправильно использую API Spark?Или я неправильно понимаю, как должно работать хранилище колонок Dremel / Parquet?

Возможно связано:Почему производительность запросов отличается от вложенных столбцов в Spark SQL?