5.Spark SQL：Parquet数据源之自动分区推断

最新推荐文章于 2024-07-02 00:25:59 发布

不埋雷的探长

最新推荐文章于 2024-07-02 00:25:59 发布

阅读量1.5k

点赞数 4

分类专栏： Spark - 熟练应用文章标签： spark_sql

本文为博主原创文章，未经博主允许不得转载。

本文链接：https://blog.csdn.net/weixin_32265569/article/details/78255605

版权

Spark - 熟练应用专栏收录该内容

46 篇文章 7 订阅

订阅专栏

自动分区推断（一）

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

自动分区推断（二）

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。

案例：自动推断用户数据的性别和国家

java版本：

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数据源之自动推断分区
 * @author leizq120310
 *
 */
public class ParquetPartitionDiscovery {


	public static void main(String[] args) {
		// TODO Auto-generated method stub
		SparkConf conf = new SparkConf()
				.setAppName("ParquetPartitionDiscovery");
		
		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 usersDF = sqlContext.read().parquet(
				"hdfs://spark1:9000/spark-study/users/gender=male/country=US/users.parquet");
		usersDF.printSchema();
		usersDF.show();
	}
}

scala版本：

package cn.spark.study.sql


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


object ParquetPartitionDiscovery {
  def main(args:Array[String])
  {
    val conf = new SparkConf()
      .setAppName("ParquetPartitionDiscovery")
    val sc = new SparkContext(conf)
    
    val sqlContext = new SQLContext(sc)
    // 读取parquet文件中的数据，并创建一个DataFrame
    val usersDF = sqlContext.read.load("hdfs://spark1:9000/spark-study/users/gender=male/country=US/users.parquet")
    usersDF.printSchema()
    usersDF.show()
  }
}

文章最后，给大家推荐一些受欢迎的技术博客链接：