如何找到拼图文件生成时使用的COMPRESSION_CODEC？

Question

通常在Impala中，我们在将数据插入到表中之前使用COMPRESSION_CODEC，表的底层文件是Parquet格式的。

用于设置COMPRESSION_CODEC的命令：

set compression_codec=snappy;
set compression_codec=gzip;

是否可以通过对拼图文件执行任何类型的操作来找出所使用的压缩编解码器的类型？

Answer 1

您可以通过parquet-tools找到Impala镶木面板所使用的压缩算法。例如，这个实用程序与Cloudera CDH打包在一起，否则就是从源代码构建的。

$ parquet-tools meta <parquet-file>
creator:     impala version 2.13.0-SNAPSHOT (build 100d7da677f2c81efa6af2a5e3a2240199ae54d5)

file schema: schema
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
code:        OPTIONAL BINARY R:0 D:1
description: OPTIONAL BINARY R:0 D:1
value:       OPTIONAL INT32 O:INT_32 R:0 D:1

row group 1: RC:823 TS:20420
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
code:         BINARY GZIP DO:4 FPO:1727 SZ:2806/10130/3.61 VC:823 ENC:RLE,PLAIN_DICTIONARY
description:  BINARY GZIP DO:2884 FPO:12616 SZ:10815/32928/3.04 VC:823 ENC:RLE,PLAIN_DICTIONARY
value:        INT32 GZIP DO:17462 FPO:19614 SZ:3241/4130/1.27 VC:823 ENC:RLE,PLAIN_DICTIONARY

由于通常在镶木面板(不是通过Impala)中，可以逐列设置压缩，因此对于每个镶木面板行组，您将看到针对每个列统计信息使用的压缩。