Hi, 1万行太大了,会占用太大内存。而且batchSize太大也不利于cache。 batchSize不一定要和row group一样,这种row group特别大的情况下,batchSize 够用就行了。
Best, Jingsong Lee On Tue, Mar 17, 2020 at 11:52 AM jun su <sujun891...@gmail.com> wrote: > hi all: > 在向量化读取orc文件时, 需要配置VectorizedRowBatch的batchSize, 用于设置每次读取的行数, > 我知道根据orc索引, 读取orc文件最小的单位应该是row group(默认1w行), 底层会根据filter条件来精确到哪些row group, > 那之前提到的batchSize设置为1000时 , 那一个row group需要读取10次, 每个row group又是按列存储, > 势必会存在非连续读取的可能, 这样岂不是做不到最大优化? 是够将batchSize设置和row group配置一样才能读取效率最大化呢? > 不知道我的理解是否正确. > -- Best, Jingsong Lee