4.Spark SQL：数据源Parquet之使用编程方式加载数据

数据源Parquet之使用编程方式加载数据

 
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。

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。 

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。

案例：查询用户数据中的用户姓名。
java版本

package cn.spark.study.sql;

import java.util.List;

import org.apache.spark.SparkConf;
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;

/**
* Parquet数据源之使用编程方式加载数据
* @author leizq120310
*
*/

public class ParquetLoadData {

public static void main(String[] args) {
// TODO Auto-generated method stub
SparkConf conf = new SparkConf()
.setAppName("ParquetLoadData");
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.parquet");
// 将DataFrame注册为临时表，然后使用SQL查询需要的数据
usersDF.registerTempTable("users");
DataFrame usersNameDF = sqlContext.sql("select name from users");
// 对查询出来的DataFrame进行transformation操作，处理数据，然后打印出来
List<String> userNames = usersNameDF.javaRDD().map(new Function<Row, String>() {

private static final long serialVersionUID = 1L;

@Override
public String call(Row row) throws Exception {
// TODO Auto-generated method stub
return "name+" + row.getString(0);
}
}).collect();

for (String userName: userNames)
{
System.out.println(userName);
}

sc.close();
}

}

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 ParquetLoadData {
def main(args: Array[String])
{
val conf = new SparkConf()
.setAppName("ParquetLoadData");

val sc = new SparkContext(conf);
val sqlContext = new SQLContext(sc);
val usersDF = sqlContext.read.parquet("hdfs://spark1:9000/spark-study/users.parquet")
usersDF.registerTempTable("users");
val usersNameDF = sqlContext.sql("select name from users")

usersNameDF.rdd.map{row => "scala Name:" + row(0)}.collect()
.foreach{userName => println(userName)}
}
}