68、Spark SQL之Parquet数据源之合并元数据

合并元数据

如同ProtocolBuffer，Avro，Thrift一样，Parquet也是支持元数据合并的。用户可以在一开始就定义一个简单的元数据，然后随着业务需要，逐渐往元数据中添加更多的列。在这种情况下，用户可能会创建多个Parquet文件，有着多个不同的但是却互相兼容的元数据。Parquet数据源支持自动推断出这种情况，并且进行多个Parquet文件的元数据的合并。

因为元数据合并是一种相对耗时的操作，而且在大多数情况下不是一种必要的特性，从Spark 1.5.0版本开始，默认是关闭Parquet文件的自动合并元数据的特性的。可以通过以下两种方式开启Parquet数据源的自动合并元数据的特性：
1、读取Parquet文件时，将数据源的选项，mergeSchema，设置为true
2、使用SQLContext.setConf()方法，将spark.sql.parquet.mergeSchema参数设置为true

案例：合并学生的基本信息，和成绩信息的元数据
Java版本

public class ParquetMergeSchema {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setAppName("ParquetMergeSchemaJava").setMaster("local");
        JavaSparkContext sparkContext = new JavaSparkContext(conf);
        SQLContext sqlContext = new SQLContext(sparkContext);

        // 创建一个DataFrame，作为学生的基本信息，并写入一个parquet文件中
        List<String> studentWithNameAndAge = new ArrayList<String>();
        studentWithNameAndAge.add("zhaojun,18");
        studentWithNameAndAge.add("fengxiangbin,17");
        JavaRDD<String> studentWithNameAndAgeRDD = sparkContext.parallelize(studentWithNameAndAge, 2);
        JavaRDD<Row> studentWithNameAndAgeRowRDD = studentWithNameAndAgeRDD.map(new Function<String, Row>() {
            @Override
            public Row call(String v1) throws Exception {
                return RowFactory.create(v1.split(",")[0], Integer.parseInt(v1.split(",")[1]));
            }
        });
        List<StructField> fieldList = new ArrayList<StructField>();
        fieldList.add(DataTypes.createStructField("name", DataTypes.StringType, true));
        fieldList.add(DataTypes.createStructField("age", DataTypes.IntegerType, true));
        StructType structType = DataTypes.createStructType(fieldList);

        DataFrame studentWithNameAndAgeDF = sqlContext.createDataFrame(studentWithNameAndAgeRowRDD, structType);
        studentWithNameAndAgeDF.write().format("parquet").mode(SaveMode.Append).save("E:\\testdata\\sparksql\\student");

        // 创建第二个DataFrame，作为学生的成绩信息，并写入一个parquet文件中
        List<String> studentWithNameAndGrade = new ArrayList<String>();
        studentWithNameAndGrade.add("zhaoj,B");
        studentWithNameAndGrade.add("fengxiang,A");
        JavaRDD<String> studentWithNameAndGradeRDD = sparkContext.parallelize(studentWithNameAndGrade, 2);
        JavaRDD<Row> studentWithNameAndGradeRowRDD = studentWithNameAndGradeRDD.map(new Function<String, Row>() {
            @Override
            public Row call(String v1) throws Exception {
                return RowFactory.create(v1.split(",")[0], v1.split(",")[1]);
            }
        });
        fieldList = new ArrayList<StructField>();
        fieldList.add(DataTypes.createStructField("name", DataTypes.StringType, true));
        fieldList.add(DataTypes.createStructField("grade", DataTypes.StringType, true));
        structType = DataTypes.createStructType(fieldList);

        DataFrame studentWithNameAndGradeDF = sqlContext.createDataFrame(studentWithNameAndGradeRowRDD, structType);
        studentWithNameAndGradeDF.write().format("parquet").mode(SaveMode.Append).save("E:\\testdata\\sparksql\\student");


        // 首先，第一个DataFrame和第二个DataFrame的元数据肯定是不一样的吧
        // 一个是包含了name和age两个列，一个是包含了name和grade两个列
        // 所以， 这里期望的是，读取出来的表数据，自动合并两个文件的元数据，出现三个列，name、age、grade
        // 用mergeSchema的方式，读取students表中的数据，进行元数据的合并
        DataFrame df = sqlContext.read().option("mergeSchema", "true").parquet("E:\\testdata\\sparksql\\student");
        df.schema();
        df.show();
    }
}

Scala版本

object ParquetMergeSchema {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("ParquetPartitionDiscoveryScala")
    val sparkContext = new SparkContext(conf)
    val sqlContext = new SQLContext(sparkContext)

    import sqlContext.implicits._
    // 创建一个DataFrame，作为学生的基本信息，并写入一个parquet文件中
    val studentWithNameAndAge = Array(("Zhao Jun", 18),("Feng Xiangbin", 17))
    val studentWithNameAndAgeDF = sparkContext.parallelize(studentWithNameAndAge, 2).toDF("name", "age")
    studentWithNameAndAgeDF.write.format("parquet").mode(SaveMode.Append).save("E:\\testdata\\sparksql\\student_scala")

    // 创建第二个DataFrame，作为学生的成绩信息，并写入一个parquet文件中
    val studentWithNameAndGrade = Array(("Zhao Jun", "B"),("Feng Xiangbin", "A"))
    val studentWithNameAndGradeDF = sparkContext.parallelize(studentWithNameAndGrade, 2).toDF("name", "grade")
    studentWithNameAndGradeDF.write.format("parquet").mode(SaveMode.Append).save("E:\\testdata\\sparksql\\student_scala")

    // 首先，第一个DataFrame和第二个DataFrame的元数据肯定是不一样的吧
    // 一个是包含了name和age两个列，一个是包含了name和grade两个列
    // 所以， 这里期望的是，读取出来的表数据，自动合并两个文件的元数据，出现三个列，name、age、grade
    val df = sqlContext.read.option("mergeSchema", "true").load("E:\\testdata\\sparksql\\student_scala")
    df.schema
    df.show()
  }
}