ParquetOutputFormat should support custom OutputCommitter
- Lenguaje dominante
- Java
- Estrellas
- 3.1k
- Forks
- 1.6k
- Merge medio
- 3 d 12 h
- PR fusionados (30 d)
- 33
Descripción
ParquetOutputFormat should support custom OutputCommitter.
There is a need to bypass current Hadoop functionality of writing output data under **_temporary** folder. Especially with AWS S3, there can be huge overhead of moving the files from **_temporary** folder to output folder.
**Reporter**: [Mikko Kupsu](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=mikkokupsu)
**Assignee**: [Steve Loughran](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=stevel@apache.org) / @steveloughran
#### Related issues:
- [Improve Parquet IO Performance within cloud datalakes](https://github.com/apache/parquet-java/issues/2912) (is depended upon by)
#### PRs and other links:
- [GitHub Pull Request #1361](https://github.com/apache/parquet-java/pull/1361)
**Note**: *This issue was originally created as [PARQUET-781](https://issues.apache.org/jira/browse/PARQUET-781). 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 con ParquetOutputFormat y revisa la integración de OutputCommitter de Hadoop; después, lee el pull request #1361 sobre el trabajo existente. El trabajo estará terminado cuando se puedan admitir committers personalizados, evitando escrituras innecesarias en _temporary y movimientos de archivos en S3.
Escrito por el modelo de indexación a partir del texto del issue.
Evaluación
- Stack tecnológico
- aws, hadoop, java
- Área
- cloud, data-engineering
- Tipo de issue
- Nueva funcionalidad
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Estado de actividad
- Estancado
- Claridad
- Bastante claro
- Aptitud para principiantes
- 25/100