一、通用的Load/Save函数
1.1 什么是parquet文件?
Parquet是列式存储格式
的一种文件类型,列式存储有以下的核心:
(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。
(4)Parquet格式是Spark SQL的默认数据源,可通过spark.sql.sources.default
配置
1.2 通用的Load/Save函数
(1)读取Parquet文件
val usersDF = spark.read.load("/root/resources/users.parquet")
(2)查询Schema和数据
(3)查询用户的name和喜爱颜色,并保存
usersDF.select($"name",$"favorite_color").write.save("/root/result/parquet")
(4)验证结果
1.3 显式指定文件格式:加载json格式
(1)直接加载:(会出错
)
val usersDF = spark.read.load("/root/resources/people.json")
(2)需要添加文件类型:format("json")
val usersDF = spark.read.format("json").load("/root/resources/people.json")
scala> testResult.show
+----+------+-----+------+----------+---------+----+----+
|comm|deptno|empno| ename| hiredate| job| mgr| sal|
+----+------+-----+------+----------+---------+----+----+
| | 20| 7369| SMITH|1980/12/17| CLERK|7902| 800|
| 300| 30| 7499| ALLEN| 1981/2/20| SALESMAN|7698|1600|
| 500| 30| 7521| WARD| 1981/2/22| SALESMAN|7698|1250|
| | 20| 7566| JONES| 1981/4/2| MANAGER|7839|2975|
|1400| 30| 7654|MARTIN| 1981/9/28| SALESMAN|7698|1250|
| | 30| 7698| BLAKE| 1981/5/1| MANAGER|7839|2850|
| | 10| 7782| CLARK| 1981/6/9| MANAGER|7839|2450|
| | 20| 7788| SCOTT| 1987/4/19| ANALYST|7566|