5.Spark SQL:Parquet数据源之自动分区推断
2017-10-16 23:02
459 查看
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() } }
相关文章推荐
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- 5.Spark SQL:Parquet数据源之自动分区推断
- spark之数据源之自动分区推断
- 4.Spark SQL:数据源Parquet之使用编程方式加载数据
- 4.Spark SQL:数据源Parquet之使用编程方式加载数据