spark系列二：parquet数据源之自动分区推断

表分区是一种常见的优化方式，比如Hive中就提供了表分区的特性。在一个分区表中，不同分区的数据通常存储在不同的目录中，分区列的值通常就包含在了分区目录的目录名中。Spark SQL中的Parquet数据源，支持自动根据目录名推断出分区信息。例如，如果将人口数据存储在分区表中，并且使用性别和国家作为分区列。那么目录结构可能如下所示：

tableName
  |- gender=male
    |- country=US
      ...
      ...
      ...
    |- country=CN
      ...
  |- gender=female
    |- country=US
      ...
    |- country=CH
      ...

如果将/tableName传入SQLContext.read.parquet()或者SQLContext.read.load()方法，那么Spark SQL就会自动根据目录结构，推断出分区信息，是gender和country。即使数据文件中只包含了两列值，name和age，但是Spark SQL返回的DataFrame，调用printSchema()方法时，会打印出四个列的值：name，age，country，gender。这就是自动分区推断的功能。

此外，分区列的数据类型，也是自动被推断出来的。目前，Spark SQL仅支持自动推断出数字类型和字符串类型。有时，用户也许不希望Spark SQL自动推断分区列的数据类型。此时只要设置一个配置即可， spark.sql.sources.partitionColumnTypeInference.enabled，默认为true，即自动推断分区列的类型，设置为false，即不会自动推断类型。禁止自动推断分区列的类型时，所有分区列的类型，就统一默认都是String。

建目录且上传parquet文件至目录下：
[root@master Software]# hadoop fs -put users.parquet /test/users/gender=male/country=US/
代码：
java版本：

package cn.spark.study.core;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.SQLContext;

public class parquettest2 {
 public static void main(String[] args) {
  SparkConf conf = new SparkConf()
    .setAppName("parquettest1");
    
  JavaSparkContext sc = new JavaSparkContext(conf);
  SQLContext sqlcontext = new SQLContext(sc);
  DataFrame df = sqlcontext.read().parquet("hdfs://master:9000/test/users/gender=male/country=US/users.parquet");
  df.printSchema();
  df.show();
 }

}

scala版本：

package com.spark.study.core

import org.apache.spark.sql.SQLContext
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

object parquettest2 {
  def main(args:Array[String]){
    val conf = new SparkConf()
                  .setAppName("loadandsave")
                
    val sc = new SparkContext(conf)
    val sqlcontext = new SQLContext(sc)
    val  df = sqlcontext.read.parquet("hdfs://master:9000/test/users/gender=male/country=US/users.parquet")
    df.printSchema()
    df.show()
   
  }
}

运行结果片段：
root
 |-- name: string (nullable = false)
 |-- favorite_color: string (nullable = true)
 |-- favorite_numbers: array (nullable = false)
 |    |-- element: integer (containsNull = false)
 |-- gender: string (nullable = true)
 |-- country: string (nullable = true)


+------+--------------+----------------+------+-------+
|name|favorite_color|favorite_numbers|gender|country|
+------+--------------+----------------+------+-------+
|Alyssa|          null|  [3, 9, 15, 20]|  male|     US|
|   Ben|           red|                  []|  male|     US|
+------+--------------+----------------+------+-------+

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/30541278/viewspace-2154758/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/30541278/viewspace-2154758/