Redshift UNLOAD操作的parquet文件大小

Question

【以下的问题经过翻译处理】 我的客户有一个由2-4个dc2.8xlarge节点组成的 Redshift集群。他们想要通过设置选项（MAXFILESIZE AS 1GB），将数据以Parquet 格式，并以约为1GB的平均文件大小导出。但是引擎却以5MB到25MB的平均文件大小，导出了总共500MB的数据，共计64个文件。

我的问题：

1. 我们如何控制每个parquet文件的大小？
2. Redshift如何确定最佳文件大小？

Answer

【以下的回答经过翻译处理】 在默认配置下，UNLOAD命令导出与片数相等的文件数量。对于一个DC2.8xlarge 4个节点的集群，片数为64（4个节点*每个节点16个片）。这是默认行为，能使所有片段并行导出。当以Parquet格式导出时，Redshift试图使用32MB行组的块大小。这对于数据量较小的情况，32MB块大小已经足够，它会生成更小的文件。多个文件比单个文件更有效，因为对于单个文件，Redshift将来自表的数据组合，然后生成一个单个文件-无法发挥并行计算的优势。

生成固定大小的文件的一个解决方案是设置UNLOAD命令选项：PARALLEL OFF和MAXFILESIZE 1GB。

Redshift UNLOAD操作的parquet文件大小

Relevant content