Validate parquet row group size and HDFS block size
- Lenguaje dominante
- Java
- Estrellas
- 3.1k
- Forks
- 1.6k
- Merge medio
- 3 d 12 h
- PR fusionados (30 d)
- 33
Descripción
The OutputFormat should verify that `parquet.block.size < dfs.blocksize` to avoid bad performance. In addition, we could check that `(dfs.blocksize % parquet.block.size) < 1MB` to ensure that some number of row groups is approximately the size of an HDFS block.
**Reporter**: [Ryan Blue](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=rdblue) / @rdblue
#### Related issues:
- [Improve alignment between row groups and HDFS blocks](https://github.com/apache/parquet-java/issues/1831) (depends upon)
**Note**: *This issue was originally created as [PARQUET-166](https://issues.apache.org/jira/browse/PARQUET-166). Please see the [migration documentation](https://issues.apache.org/jira/browse/PARQUET-2502) for further details.*
Guía de contribución
No hay ninguna guía de contribución indexada para este repositorio
Línea de trabajo
Comienza localizando la implementación de OutputFormat y el manejo de parquet.block.size y dfs.blocksize. Comprueba las dos condiciones indicadas, incluido el umbral de resto de 1MB, y considera el issue relacionado sobre la alineación de row groups y bloques de HDFS; el trabajo estará terminado cuando la validación solicitada esté cubierta.
Escrito por el modelo de indexación a partir del texto del issue.
Evaluación
- Stack tecnológico
- java
- Área
- data-engineering, distributed-systems
- Tipo de issue
- Error
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Estado de actividad
- Estancado
- Claridad
- Bastante claro
- Aptitud para principiantes
- 28/100