Lakehouse中使用了什么技术来减少小文件的产生？
Lakehouse中使用了什么技术来减少小文件的产生？
展开
收起
1
条回答
写回答
写回答
-
1）优化Delta表写入；Data bricks对Delta表的写入过程进行了优化，对每个partition使用一个专门的executor来合并其它executor对该partition的写入，从而避免了小文件的产生。
2）自动合并小文件:在每次向Delta表中写入数据之后，会检查Delta表中的表文件数量，如果Delta表中的小文件(size<128MB 则视为小文件)数量达到阂值，则会执行一次小文件合并，将Delta表中的小文件合并为一个新的大文件。
3）手动合并小文件：除了自动合并，Databricks还提Opitmize命令，使用户可以手动合并小文件，优化表结构，使得表文件的结构更加紧凑。
以上内容摘自《Databricks数据洞悉》电子书，点击https://developer.aliyun.com/topic/download?id=8545可下载完整版
2022-07-29 10:32:58赞同 展开评论 打赏
问答分类：
问答地址：
开发者社区
>
大数据与机器学习
>
开源大数据平台 E-MapReduce
>
问答
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
阿里云EMR是云原生开源大数据平台，为客户提供简单易集成的Hadoop、Hive、Spark、Flink、Presto、ClickHouse、StarRocks、Delta、Hudi等开源大数据计算和存储引擎，计算资源可以根据业务的需要调整。EMR可以部署在阿里云公有云的ECS和ACK平台。
热门讨论
热门文章
hdfs 文件块过多（1亿）每个datanode 占3000万块(分16G内),某时刻内存陡然增加？
562
大佬，可以请教下，有没有遇到 com.aliyun.oss
1208
spark sql 使用row_number 出现oom
1418
数据湖要考虑的首要问题是什么？
1478
emr目前和max compute是竟品吗？上线业务该怎么选？
475
Spark3 Join Hints是什么？
654
Databricks 和 Dataworks 都是一站式的数据分析平台，两者的区别是什么？
2059
想问下，maxcomputer 创建的SQL脚本 可以用shell 调用运行吗
1116
StarRocks有字符集的概念吗？有utf8和utf8mb4吗？有字符集的概念吗？有utf8和ut
1101
您好，starrocksreader 有可用于社区版StarRocks的插件和模板吗？
527
展开全部
分布式快照算法: Chandy-Lamport
23612
现代流式计算的基石：Google DataFlow
18458
如何使用Kafka Connect实现同步RDS binlog数据
16093
JindoFS: 云上大数据的高性能数据湖存储方案
16386
梨视频：基于阿里云E-MapReduce搭建视频推荐系统的实践
13473
JindoFS解析 - 云上大数据高性能数据湖存储方案
14722
JindoFS概述：云原生的大数据计算存储分离方案
23169
5W1H(六何分析法)全景洞察大数据
11120
开源大数据周刊-第90期
9733
在 Apache Spark 中利用 HyperLogLog 函数实现高级分析
10592
展开全部
相关文章
相关电子书
更多
