数据源Parquet之使用编程方式加载数据

一、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。

二、列式存储和行式存储相比有哪些优势呢？

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

package com.etc;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SQLContext;

import java.util.List;

/**
 * @author: fengze
 * @description:
 * Parquet数据源之使用编程方式加载数据
 */
public class ParquetLoadData {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setAppName("ParquetLoadData")
                .setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        SQLContext sqlContext = new SQLContext(sc);

        // 读取Parquet文件中的数据，创建一个DataFrame
        DataFrame userDf = sqlContext.read().parquet("D:\\文档\\users.parquet");

        //将DataFrame注册为临时表，然后使用SQL查询需要的数据
        userDf.registerTempTable("user");
        DataFrame sql = sqlContext.sql("select * from user");

        // 对查询出来的DataFrame进行transformation操作，处理数据，然后打印出来
        JavaRDD<String> map1 = sql.javaRDD().map(new Function<Row, String>() {
            @Override
            public String call(Row row) throws Exception {
                return "Name:" + row.getString(0);
            }
        });
        List<String> collect = map1.collect();
        for (String username : collect) {
            System.out.println(username);
        }
    }
}

重点：

• sqlContext.read().parquet（path）
• List map = sql.javaRDD().map(new Fuction).collect();取到该 行 的第一位数值，最后将List数组遍历得结果。