优化数据文件布局

该 OPTIMIZE 命令重写数据文件，以提高 Delta Lake 和 Apache Iceberg 表的数据布局。 对于启用了 liquid 聚类分析的表，OPTIMIZE 会重写数据文件以按 liquid 聚类分析键对数据进行分组。 对于定义了分区的表，文件压缩和数据布局在分区内执行。

不带液体聚类分析的 Delta Lake 表可以选择包含一个 ZORDER BY 子句，以改进重写时的数据聚类分析。 Apache Iceberg 表使用聚类分析和排序策略，而不是 ZORDER。 Databricks 建议使用 liquid 聚类，而不要使用分区、ZORDER 或其他数据布局方法。

请参阅 OPTIMIZE。

语法示例

通过运行以下命令 OPTIMIZE 触发压缩：

SQL

OPTIMIZE table_name

Python

Python DeltaTable API 特定于 Delta Lake。

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

Scala

Scala DeltaTable API 特定于 Delta Lake。

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

如果你有大量数据，并且只想优化其中的子集，请使用 WHERE：

SQL

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

Python

Python DeltaTable API 特定于 Delta Lake。

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

Scala

Scala DeltaTable API 特定于 Delta Lake。

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

请考虑以下有关装箱问题的信息：

• 装箱优化具有幂等性，这意味着如果在同一数据集上运行两次，第二次运行不起作用。
• 装箱算法旨在生成在存储大小上均衡的数据文件，但并不一定要求每个文件中的元组数量均衡。 但是，这两个度量值通常相关。

对 Delta Lake 表的读取操作采用快照隔离，这意味着当 OPTIMIZE 从事务日志中删除不必要的文件时，读取操作不会被中断。 由于 OPTIMIZE 不会对表中的数据做任何更改，因此在 OPTIMIZE 之前和之后进行读取的结果是相同的。 对作为流式源的表执行 OPTIMIZE 不会影响任何当前或未来以该表为源的流。

OPTIMIZE 返回所删除文件的文件统计信息（最小值、最大值、总计等）和操作添加的文件。 优化统计信息还包含 Z 排序统计信息、批处理数和已优化分区数。

你还可以使用自动压缩来自动压缩小文件。 请参阅 自动压缩。

建议运行的频率 OPTIMIZE

对 Unity Catalog 托管表启用预测优化，以确保 OPTIMIZE 在经济高效时自动运行。

选择要运行 OPTIMIZE的频率时，性能与成本之间存在权衡。 为了提高最终用户查询性能，请更频繁地运行 OPTIMIZE。 由于资源使用量增加，这将产生更高的成本。 若要优化成本，请减少运行频率。

Databricks 建议从每天运行一次 OPTIMIZE 开始，然后调整频率以平衡成本和性能权衡。

适用于 OPTIMIZE 的推荐实例类型

这两个操作都是执行大量 Parquet 解码和编码的 CPU 密集型操作。

Databricks 建议使用计算优化实例类型。 OPTIMIZE 也受益于外接 SSD。