Partilhar via

Otimizar o layout do arquivo de dados

  • Artigo

A otimização preditiva é executada OPTIMIZE automaticamente em tabelas gerenciadas pelo Unity Catalog. A Databricks recomenda habilitar a otimização preditiva para todas as tabelas gerenciadas pelo Unity Catalog para simplificar a manutenção de dados e reduzir os custos de armazenamento. Consulte Otimização preditiva para tabelas gerenciadas do Unity Catalog.

O OPTIMIZE comando regrava arquivos de dados para melhorar o layout de dados para tabelas Delta. Para tabelas com clustering líquido habilitado, OPTIMIZE regrava arquivos de dados para agrupar dados por chaves de clustering líquido. Para tabelas com partições definidas, a compactação de arquivos e o layout de dados são realizados dentro de partições.

As tabelas sem clustering líquido podem, opcionalmente, incluir uma ZORDER BY cláusula para melhorar o agrupamento de dados na regravação. O Databricks recomenda o uso de clustering líquido em vez de partições ZORDERou outras abordagens de layout de dados.

Consulte OTIMIZE.

Exemplos de sintaxe

Você aciona a compactação executando o OPTIMIZE comando:

SQL

OPTIMIZE table_name

Python

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

Scala

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

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

SQL

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

Python

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

Scala

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

Nota

  • A otimização de empacotamento de compartimentos é idempotente, o que significa que, se for executada duas vezes no mesmo conjunto de dados, a segunda execução não terá efeito.
  • Bin-packing visa produzir arquivos de dados equilibrados em relação ao seu tamanho no disco, mas não necessariamente o número de tuplas por arquivo. No entanto, as duas medidas estão mais frequentemente correlacionadas.
  • As APIs Python e Scala para execução OPTIMIZE de operações estão disponíveis no Databricks Runtime 11.3 LTS e superior.

Os leitores de tabelas Delta usam isolamento de instantâneo, o que significa que eles não são interrompidos quando OPTIMIZE remove arquivos desnecessários do log de transações. OPTIMIZE não faz alterações relacionadas a dados na tabela, portanto, uma leitura antes e depois de um OPTIMIZE tem os mesmos resultados. O desempenho OPTIMIZE em uma tabela que é uma fonte de streaming não afeta nenhum fluxo atual ou futuro que trate essa tabela como uma fonte. OPTIMIZE Retorna as estatísticas de arquivo (min, max, total e assim por diante) para os arquivos removidos e os arquivos adicionados pela operação. Otimize stats também contém as estatísticas Z-Ordering, o número de lotes e partições otimizadas.

Você também pode compactar pequenos arquivos automaticamente usando a compactação automática. Consulte Compactação automática para Delta Lake no Azure Databricks.

Com que frequência devo correr OPTIMIZE?

Habilite a otimização preditiva para tabelas gerenciadas do Unity Catalog para garantir que seja executada OPTIMIZE automaticamente quando for econômica.

Quando você escolhe a frequência de execução OPTIMIZE, há um trade-off entre desempenho e custo. Para um melhor desempenho da 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 os custos, execute-o com menos frequência.

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

Qual é o melhor tipo de instância para executar OPTIMIZE (bin-packing e Z-Ordering)?

Ambas as operações são operações intensivas de CPU que fazem grandes quantidades de descodificação e codificação parquet.

O Databricks recomenda tipos de instância otimizados para computação. OPTIMIZE também beneficia das SSD ligadas.