数据源Parquet之使用编程方式加载数据

  1. 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。
  3. 列式存储和行式存储相比有哪些优势呢？
  4. 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。 
  5. 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。 
  6. 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。 
  8. 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。
  10. 案例：查询用户数据中的用户姓名。

java版

  1. /**
  2.  * Parquet数据源之使用编程方式加载数据
  3.  * @author Administrator
  4.  *
  5.  */
  6. public class ParquetLoadData {
  8.     public static void main(String[] args) {
  9.         SparkConf conf = new SparkConf()
  10.                 .setAppName("ParquetLoadData");  
  11.         JavaSparkContext sc = new JavaSparkContext(conf);
  12.         SQLContext sqlContext = new SQLContext(sc);
  14.         // 读取Parquet文件中的数据，创建一个DataFrame
  15.         DataFrame usersDF = sqlContext.read().parquet(
  16.                 "hdfs://spark1:9000/spark-study/users.parquet");
  18.         // 将DataFrame注册为临时表，然后使用SQL查询需要的数据
  19.         usersDF.registerTempTable("users");  
  20.         DataFrame userNamesDF = sqlContext.sql("select name from users");  
  22.         // 对查询出来的DataFrame进行transformation操作，处理数据，然后打印出来
  23.         List<String> userNames = userNamesDF.javaRDD().map(new Function<Row, String>() {
  25.             private static final long serialVersionUID = 1L;
  27.             @Override
  28.             public String call(Row row) throws Exception {
  29.                 return "Name: " + row.getString(0);
  30.             }
  32.         }).collect();
  34.         for(String userName : userNames) {
  35.             System.out.println(userName);  
  36.         }
  37.     }
  39. }

scala 版

  1. /**
  2.  * @author Administrator
  3.  */
  4. object ParquetLoadData {
  6.   def main(args: Array[String]): Unit = {
  7.     val conf = new SparkConf()
  8.         .setAppName("ParquetLoadData")  
  9.     val sc = new SparkContext(conf)
  10.     val sqlContext = new SQLContext(sc)
  12.     val usersDF = sqlContext.read.parquet("hdfs://spark1:9000/spark-study/users.parquet")  
  13.     usersDF.registerTempTable("users")
  14.     val userNamesDF = sqlContext.sql("select name from users")  
  15.     userNamesDF.rdd.map { row => "Name: " + row(0) }.collect()
  16.         .foreach { userName => println(userName) }   
  17.   }
  19. }