Apache spark 通过配置单元上的拼花增加写入并行性

tl；dr-我正在将大量数据写入Hive上的一个新拼花格式表中，但该作业使用的减缩器远远少于指定的减缩器，这使得写入所需的时间比我希望的要长得多

我正在构建一个数据湖表，旨在使用Spark创建快速读取，但我正在使用配置单元写入数据，以便a）配置单元可以读取带扣的表，b）以便将统计信息写入配置单元元存储

我使用python创建表，如下所示：

hivecur.execute("set hive.cbo.enable=true")
hivecur.execute("set hive.compute.query.using.stats=true")
hivecur.execute("set hive.stats.fetch.column.stats=true")
hivecur.execute("set hive.stats.fetch.partition.stats=true")

hivecur.execute("set hive.vectorized.execution.enabled=true")
hivecur.execute("set hive.vectorized.execution.reduce.enabled=true")

hivecur.execute('set mapred.reduce.tasks=100')

hivecur.execute(f"set dfs.block.size={1024*1024*128}")
hivecur.execute(f"set parquet.block.size={1024*1024*128}")

hivecur.execute(f"drop table if exists {TABLE_NAME}")

table_create_qry = f"""
create table {TABLE_NAME} (
    {schema.dice}
)
partitioned by (process_date_z int, dataset string)
clustered by (id) sorted by (source_id, type, id) into 200 buckets
stored as parquet
TBLPROPERTIES ("comment" = "{git_hash()}",
               "parquet.compress" = "snappy")

然后当我插入：

qry = f"""
        insert overwrite table {TABLE_NAME} partition (process_date_z, dataset)
        select ...
            source_id,
            process_date_z,
            '{dataset}' as dataset
        from {source_table}
        where process_date_z = {d}
        and pmod(hash(id),100) in ({",".join([str(x) for x in id_filters])})"""

通过设置

mapred.reduce.tasks=100

我希望可以强制每个分区包含100个文件。相反，尽管创建了100个任务，但92个任务的完成速度非常快，8个reduce任务的运行时间更长，只需编写大约相同大小的低十个（但不是100个）文件

---

这样做的问题是，减少数据量是写过程中的一个重要瓶颈。我可以设置什么参数来提高性能？

我认为我的问题来自于对哈希函数的愚蠢选择

我怀疑用于按ID存储桶的算法与我用于子集ID的哈希相同，因此它为所有可能的输入ID创建了一个存储桶，但pmod只允许它填充一些

为了解决这个问题，我用brickhouse的BurruHash3 UDF切换了pmod内部的哈希

---

老实说，我不认为Hive有任何理由在这里运行Reduce步骤。选择-FROM-WHERE仅需要映射器。您无法控制映射程序的数量，因为这是由源数据“拆分”的方式决定的。