66、Spark SQL之Parquet数据源之使用编程方式加载数据

最新推荐文章于 2022-06-17 09:10:38 发布

原创最新推荐文章于 2022-06-17 09:10:38 发布 · 1.3k 阅读

0 ·

CC 4.0 BY-SA版权

Spark入坑专栏收录该内容

207 篇文章

订阅专栏

本文介绍Parquet列式存储格式的优势，包括降低I/O数据量、节省存储空间和提升扫描性能，并通过Java和Scala示例演示如何使用编程方式加载Parquet文件中的数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据源Parquet之使用编程方式加载数据

Parquet是面向分析型业务的列式存储格式，由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目
列式存储和行式存储相比有哪些优势呢？

可以跳过不符合条件的数据，只读取需要的数据，降低IO数据量。
压缩编码可以降低磁盘存储空间。由于同一列的数据类型是一样的，可以使用更高效的压缩编码（例如Run Length Encoding和Delta Encoding）进一步节约存储空间。
只读取需要的列，支持向量运算，能够获取更好的扫描性能。
这里讲解Parquet数据源的第一个知识点，使用编程的方式加载Parquet文件中的数据。

案例：查询用户数据中的用户姓名。
Java版本

public class ParquetLoadData {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setAppName("ParquetLoadDataJava").setMaster("local");
        SparkContext sparkContext = new SparkContext(conf);
        SQLContext sqlContext = new SQLContext(sparkContext);
        // 读取Parquet文件中的数据，创建一个DataFrame
        DataFrame df = sqlContext.read().parquet("E:\\testdata\\sparksql\\users.parquet");
        df.show();
        // 将DataFrame注册为临时表，然后使用SQL查询需要的数据
        df.registerTempTable("users");
        // 对查询出来的DataFrame进行transformation操作，处理数据，然后打印出来
        DataFrame nameDF = sqlContext.sql("select name from users");
        Row[] names = nameDF.collect();
        for(Row name : names) {
            System.out.println("name:" + name.getString(0));
        }
    }
}

Scala版本

object ParquetLoadData {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("ParquetLoadDataScala")
    val sparkContext = new SparkContext(conf)
    val sqlContext = new SQLContext(sparkContext)
    val df = sqlContext.read.parquet("E:\\testdata\\sparksql\\users.parquet")

    df.registerTempTable("users")
    val nameDF = sqlContext.sql("select name from users")

    val rows = nameDF.collect()
    for(row <- rows) {
      println("name:" + row.getAs("name"))
    }
  }
}