Spark SQL——数据源Parquet之使用编程方式加载数据

最新推荐文章于 2024-04-25 14:36:29 发布

原创最新推荐文章于 2024-04-25 14:36:29 发布 · 168 阅读

0 ·

CC 4.0 BY-SA版权

本文介绍了Parquet作为分析型业务的列式存储格式，其优势在于减少IO数据量、降低存储空间和提升扫描性能。文章讨论了如何使用Spark SQL基于Java和Scala编程语言加载Parquet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，最新的版本是1.8.0。

列式存储和行式存储相比的优势：
1、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。
2、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。
3、只读取需要的列，支持向量运算，能够获取更好的扫描性能。

基于java

package cn.spark.study.sql;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.SQLContext;
/**
 * parquet数据源之使用编程方式加载数据
 */
public class ParquetLoadData_6 {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setMaster("local").setAppName("ParquetLoadData_6");
        JavaSparkContext sc = new JavaSparkContext(conf);
        SQLContext sqlContext = new SQLContext(sc);

        //第一步：读取parquet文件中的数据，创建一个DataFrame
        DataFrame userDF = sqlContext.read().parquet("E:\\sparktext\\users.parquet");

        userDF.registerTempTable("user");

        sqlContext.sql("select * from user").show();
    }
}

基于scala

package cn.spark.study.sql

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.{DataFrame, SQLContext}

object ParquetLoadDate_6 {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
      .setMaster("local")
      .setAppName("ParquetLoadData_6")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)

    val userDF: DataFrame = sqlContext.read.parquet("E:\\sparktext\\users.parquet")

    //Name:Alyssa
    //Name:Ben
    val name: DataFrame = userDF.select("name")

    name.rdd.map(row => {
      "Nmae:" + row.getString(0)
    }).foreach(println)


  }
}