Compactar arquivos de dados com otimização no Delta Lake

  • Artigo

Confira OPTIMIZE.

O Delta Lake no Azure Databricks pode aumentar a velocidade das consultas de leitura de uma tabela. Uma forma de aumentar essa velocidade é unir arquivos pequenos com arquivos maiores.

Observação

No Databricks Runtime 13.3 e em versões superiores, o Databricks recomenda utilizar o clustering para o layout de tabela Delta. Confira Usar clustering líquido para tabelas Delta.

O Databricks recomenda usar a otimização preditiva para executar OPTIMIZE automaticamente para as tabelas Delta. Consulte a Otimização preditiva para o Delta Lake.

Exemplos de sintaxe

Você dispara a compactação executando o comando OPTIMIZE:

SQL

OPTIMIZE delta.`/data/events`

Python

from delta.tables import *
deltaTable = DeltaTable.forPath(spark, "/data/events")
deltaTable.optimize().executeCompaction()

Scala

import io.delta.tables._
val deltaTable = DeltaTable.forPath(spark, "/data/events")
deltaTable.optimize().executeCompaction()

ou, alternativamente:

SQL

OPTIMIZE events

Python

from delta.tables import *
deltaTable = DeltaTable.forName(spark, "events")
deltaTable.optimize().executeCompaction()

Scala

import io.delta.tables._
val deltaTable = DeltaTable.forName(spark, "events")
deltaTable.optimize().executeCompaction()

Se você tiver uma grande quantidade de dados e quiser apenas otimizar um subconjunto deles, poderá especificar um predicado de partição opcional usando WHERE:

SQL

OPTIMIZE events WHERE date >= '2022-11-18'

Python

from delta.tables import *
deltaTable = DeltaTable.forName(spark, "events")
deltaTable.optimize().where("date='2021-11-18'").executeCompaction()

Scala

import io.delta.tables._
val deltaTable = DeltaTable.forName(spark, "events")
deltaTable.optimize().where("date='2021-11-18'").executeCompaction()

Observação

  • A otimização de empacotamento de compartimentos é idempotente, o que significa que, se ela for executada duas vezes no mesmo conjunto de dados, a segunda não terá nenhum efeito.
  • O compartimento-empacotamento tem como objetivo produzir arquivos de dados balanceados de maneira equilibrada em relação ao tamanho no disco, mas não necessariamente o número de tuplas por arquivo. No entanto, as duas medidas são correlacionadas com mais frequência.
  • As APIs Python e Scala para executar a operação OPTIMIZE estão disponíveis no Databricks Runtime 11.3 LTS e superior.

Os leitores de tabelas Delta usam o isolamento de instantâneo, o que significa que eles não são interrompidos quando OPTIMIZE remove arquivos desnecessários do log de transações. OPTIMIZE não faz nenhuma alteração nos dados relacionada à tabela, ou seja, uma leitura antes e depois de OPTIMIZE gera os mesmos resultados. A execução de OPTIMIZE em uma tabela que seja uma origem de streaming não afeta nenhum fluxo atual ou futuro que trate essa tabela como uma origem. OPTIMIZE retorna as estatísticas de arquivo (mín, máx, total e assim por diante) para os arquivos removidos e adicionados pela operação. As estatísticas de otimização também contêm as estatísticas de Ordenação Z, o número de lotes e as partições otimizadas.

Você também pode compactar arquivos pequenos automaticamente com a compactação automática. Confira Compactação automática para o Delta Lake no Azure Databricks.

Com que frequência devo executar OPTIMIZE?

Quando você escolhe a frequência de execução de OPTIMIZE, há uma compensação entre desempenho e custo. Para melhorar o desempenho de consulta do usuário final, execute OPTIMIZE com mais frequência. Isso incorrerá em um custo mais alto devido ao aumento do uso de recursos. Para otimizar o custo, execute-o com menos frequência.

O Databricks recomenda que você comece executando OPTIMIZE diariamente e ajuste a frequência para equilibrar as compensações de custo e desempenho.

Qual é o melhor tipo de instância para executar OPTIMIZE (compartimento-empacotamento e Ordenação Z)?

Ambas as operações têm uso intensivo de CPU porque envolvem grandes quantidades de decodificação e codificação de Parquet.

O Databricks recomenda tipos de instância otimizada para computação. OPTIMIZE também se beneficia de SSDs anexados.