我有一个SparkDataframe有少量的领域。一些字段是巨大的二进制斑点。整行的大小约为50MB。
我正在将Dataframe保存为Parquet格式。我正在使用控制行组的大小 parquet.block.size 参数。
spark将生成一个Parquet文件，但是我总是在一个行组中得到至少100行。这对我来说是个问题，因为块大小可能会变成千兆字节，这在我的应用程序中不起作用。 parquet.block.size 只要大小足够容纳100多行，就可以正常工作。
我将internalparquetrecordwriter.java修改为 MINIMUM_RECORD_COUNT_FOR_CHECK = 2 ，解决了这个问题，但是，我找不到支持调优这个硬编码常量的配置值。
有没有其他/更好的方法来获得小于100的行组大小？
这是我的代码片段：

from pyspark import Row
from pyspark.sql import SparkSession
import numpy as np

from pyspark.sql.types import StructType, StructField, BinaryType

def fake_row(x):
    result = bytearray(np.random.randint(0, 127, (3 * 1024 * 1024 / 2), dtype=np.uint8).tobytes())
    return Row(result, result)

spark_session = SparkSession \
    .builder \
    .appName("bbox2d_dataset_extraction") \
    .config("spark.driver.memory", "12g") \
    .config("spark.executor.memory", "4g")

spark_session.master('local[5]')

spark = spark_session.getOrCreate()
sc = spark.sparkContext
sc._jsc.hadoopConfiguration().setInt("parquet.block.size", 8 * 1024 * 1024)

index = sc.parallelize(range(50), 5)
huge_rows = index.map(fake_row)
schema = StructType([StructField('f1', BinaryType(), False), StructField('f2', BinaryType(), False)])

bbox2d_dataframe = spark.createDataFrame(huge_rows, schema).coalesce(1)
bbox2d_dataframe. \
    write.option("compression", "none"). \
    mode('overwrite'). \
    parquet('/tmp/huge/')