前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >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

作者头像
编程那点事
发布2023-02-25 15:51:48
2760
发布2023-02-25 15:51:48
举报
文章被收录于专栏:java编程那点事

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:

代码语言:javascript
复制
/**
* Parquet数据源之使用编程方式加载数据
* @author Administrator
*
*/
public class ParquetLoadData {

​public static void main(String[] args) {
​​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 userNamesDF = 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 = userNamesDF.javaRDD().map(new Function<Row, String>() {

​​​private static final long serialVersionUID = 1L;

​​​@Override
​​​public String call(Row row) throws Exception {
​​​​return "Name: " + row.getString(0);
​​​}
​​}).collect();

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

Scala版本:

代码语言:javascript
复制
import org.apache.spark.sql.SQLContext
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

class ParquetLoadData {  
def main(args: Array[String]): Unit = {
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 userNamesDF = sqlContext.sql("select name from users")  
userNamesDF.rdd.map { row => "Name: " + row(0) }.collect()
   .foreach { userName => println(userName) }  
}
}
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019-02-21,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
对象存储
对象存储(Cloud Object Storage,COS)是由腾讯云推出的无目录层次结构、无数据格式限制,可容纳海量数据且支持 HTTP/HTTPS 协议访问的分布式存储服务。腾讯云 COS 的存储桶空间无容量上限,无需分区管理,适用于 CDN 数据分发、数据万象处理或大数据计算与分析的数据湖等多种场景。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档