apache / apache/parquet-java

Validate parquet row group size and HDFS block size

Aperta
#1,717 1 commento 0 reazioni 0 assegnatari Vedi su GitHub
Component: Java Component: Parquet Priority: Major Type: bug
Lingua principale
Java
Stelle
3.1k
Fork
1.6k
Merge medio
3g 12h
PR unite (30g)
33

Descrizione

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.*

Guida per i contributori

Nessuna guida per i contributori indicizzata per questo repository

Direzione di ricerca

Inizia individuando l'implementazione di OutputFormat e la gestione di parquet.block.size e dfs.blocksize. Verifica le due condizioni indicate, inclusa la soglia del resto di 1MB, e considera la issue correlata sull'allineamento di row groups e blocchi HDFS; il lavoro è completato quando la validazione richiesta è coperta.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Valutazione

Stack tecnologico
java
Ambito
data-engineering, distributed-systems
Tipo di issue
Bug
Difficoltà
4/5
Tempo stimato
3-5 giorni
Stato di attività
Ferma
Chiarezza
Abbastanza chiara
Idoneità per principianti
28/100

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.