-
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
代码示例
package cn.spark.study.sql
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.{DataFrame, SQLContext, SaveMode}
/**
* parquet数据源之元数据合并
*/
object ParquetMergeScheam_8 {
def main(args: Array[String]): Unit = {
System.setProperty("HADOOP_USER_NAME", "root")
val conf = new SparkConf()
.setMaster("local")
.setAppName("RDD2DataFrameProgrammatically")
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
//创建一个dataFrame作为学生的基本信息,并写入hdfs的parquet文件中
import sqlContext.implicits._
val sNameAndAge = Array(("xiaoming",20),("liubang",67))
sc.parallelize(sNameAndAge,2)
val sNameAndAgeDF: DataFrame = sc.parallelize(sNameAndAge,2).toDF("name","age")
sNameAndAgeDF.save("hdfs://hadoop1:9000/spark-study/students/","parquet",SaveMode.Append)
val sNameAndGrade = Array(("xiangyu","A"),("lvbu","B"))
val sNameAndGradeDF: DataFrame = sc.parallelize(sNameAndGrade,2).toDF("name","grade")
sNameAndGradeDF.save("hdfs://hadoop1:9000/spark-study/students/","parquet",SaveMode.Append)
//
//第一组数据与第二组数据的DataFrame的元数据不同
//自动合并两个文件的元数据,查询是的形式是:name,age,grade
//使用mergeSchema合并元数据
val students: DataFrame = sqlContext.read.option("mergeSchema","true").parquet("hdfs://hadoop1:9000/spark-study/students/")
students.show();
students.printSchema()
}
}