Glue ETL能够多快地将数据转换为Parquet格式？

Question

【以下的问题经过翻译处理】 我们是否有关于glue ETL将数据转换为parquet格式的速度的基准数字？

例如， 1个DPU可以在X分钟内处理1GB原始数据。

我想要一个基准数，这样我就可以知道ETL作业是否正常运行或者有问题。

还要估计我应该为我的数据转换任务使用多少DPUs。

谢谢。

Answer

【以下的回答经过翻译处理】 您好，ETL的速度取决于多个因素，比如：
1. 原始文件的大小，可以考虑讲多个小的csv文件合并成大文件再处理，减少任务开销，如果是一个1GB的文件，则Glue无法分散任务，因此不会受益。但如果是1024个1MB的文件，则可以获得好处。
2. Parquet的设置也可能影响转换的性能，比如调大row group的大小，可以减少文件数，或者使用Snappy等其他压缩比低但快的压缩算法；
3. 可以使用Glue的bookmark功能实现增量转换，跳过已处理的数据分区

总的来说，具体的资源配置最好通过监控Job运行指标和实际负载的压测，调整Job的worker type和number，有时候配置更多的DPU可以让ETL在更短时间内完成，从而实现成本的节省，可参考以下文档。

Glue ETL能够多快地将数据转换为Parquet格式？

Contenido relevante