> **摘要**：Parquet 是 Spark 生态中最推荐的列式存储格式——Schema 自描述（零推断）、谓词下推到 Row Group 级别、列式 Vectorized 批量解码（比逐行快 3~5x）、压缩比高达 3~10x。本文从 spark.read.parquet() 的三种数据源、Parquet 4 级物理布局、谓词下推跳过机制、VectorizedParquetReader、与 JSON/CSV 对比、完整 Options 六个维度，配合 2 张架构图 + 代码实例，全面掌握 Parquet → Dataset 的高效实践。
>
> **关键词**：Parquet, spark.read.parquet, Predicate Pushdown, Row Group, Vectorized Reader, 列式存储

---

## 一、开篇：为什么 Parquet 是标配？

```
Parquet 四大优势 vs JSON/CSV
① 列式存储: 只读需要的列 → I/O 减少 90%+
② Schema 自描述: Footer 含完整 Schema → 零推断开销
③ 谓词下推: Row Group 级 min/max 过滤 → 跳过不相关数据块
④ 高压缩比: Snappy/Gzip/Zstd → 比文本格式少 3~10x 空间
```

---

## 二、Parquet → Dataset 全流程

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-2482016/7c28f0326e6c03028e1f1827ee5fbca4.png)

### 2.1 基本读写

```scala
// 读取
val df = spark.read.parquet("hdfs://data/events/")
val df = spark.read.parquet("/path/to/file.parquet")

// 写入
df.write.mode("overwrite").parquet("hdfs://output/")
df.write.partitionBy("year", "month").parquet("hdfs://output/")

// Hive Parquet 表
val df = spark.table("hive_db.parquet_table")
```

### 2.2 Schema 处理（零推断！）

```scala
val df = spark.read.parquet("path")     // Schema 自动从 Footer 读取

// 跨文件 Schema 合并
val df = spark.read.option("mergeSchema", "true").parquet("path")

// 分区发现: /data/year=2024/month=01/*.parquet
// → year 和 month 自动成为 DataFrame 列
```

### 2.3 DataFrame → Dataset[CaseClass]

```scala
case class Event(id: Long, name: String, score: Double)

val ds: Dataset[Event] = spark.read.parquet("hdfs://events/").as[Event]
ds.filter(_.score > 80).map(e => e.copy(score = e.score * 1.1))
```

---

## 三、Parquet 内部结构 & 谓词下推

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-2482016/ac6886b2f937f6c1f5999234c581f00a.png)

### 3.1 4 级物理布局

```
Parquet File
├── Row Group 0 (~128MB)           ← 谓词下推最小粒度
│   ├── Column Chunk: col_a (Dictionary Page + Data Pages)
│   └── Column Chunk: col_b
├── Row Group 1 (~128MB)
└── Footer: Schema + offsets + min/max 统计
```

### 3.2 谓词下推

```sql
SELECT * FROM events WHERE score > 80

决策过程:
  Row Group 0: score.max = 75 → max < 80 → 整组跳过!
  Row Group 1: score.max = 95 → 需要读取
  Row Group 2: score.min = 85 → 需要读取

结果: 跳过 33% Row Groups，零 I/O!
```

### 3.3 Vectorized Reader

```
传统: for each row → decode col_a → decode col_b → ...
Vectorized: 一次 decode 4096 行 col_a → 4096 行 col_b

优势: 循环展开 · SIMD · 零虚函数 · 缓存友好
性能: 比逐行快 3~5x
```

---

## 四、核心配置

```properties
# 读取
spark.sql.parquet.filterPushdown=true
spark.sql.parquet.enableVectorizedReader=true
spark.sql.parquet.mergeSchema=false

# 写入
spark.sql.parquet.compression.codec=snappy    # snappy/gzip/lz4/zstd
parquet.block.size=134217728                  # 128MB Row Group
parquet.page.size=1048576                     # 1MB Page

# 分区
spark.sql.sources.partitionOverwriteMode=static
```

---

## 五、总结

1. **Parquet 三大能力**：Schema 自描述（零推断）、谓词下推（Row Group 级跳过）、Vectorized 批量解码（3~5x）。

2. **4 级物理布局**：File → Row Group(128M) → Column Chunk → Page。

3. **vs JSON/CSV**：列式 + 自描述 + 压缩 3~10x + 零推断。生产环境首选。

---

> **作者**：starzy  
> **博客**：[blog.starzy.cn](https://blog.starzy.cn)  
> **GitHub**：[starzy1990.github.io](https://starzy1990.github.io)  
> **专注 AI Agent · LangGraph · RAG · 大数据架构 · 数据工程实践**

摘要：Parquet 是 Spark 生态中最推荐的列式存储格式——Schema 自描述（零推断）、谓词下推到 Row Group 级别、列式 Vectorized 批量解码（比逐行快 3~5x）、压缩比高达 3~10x。本文从 spark.read.parquet() 的三种数据源、Parquet 4 级物理布局、谓词下推跳过机制、VectorizedParquetReader、与 JSON/CSV 对比、完整 Options 六个维度，配合 2 张架构图 + 代码实例，全面掌握 Parquet → Dataset 的高效实践。

SparkSQL 之 Parquet 数据转 DataSet 代码实现

摘要：Parquet 是 Spark 生态中最推荐的列式存储格式——Schema 自描述（零推断）、谓词下推到 Row Group 级别、列式 Vectorized 批量解码（比逐行快 3~5x）、压缩比高达 3~10x。本文从 spark.read.parquet() 的三种数据源、Parquet 4 级物理布局、谓词下推跳过机制、VectorizedParquetReader、与 JSON/C

大数据

数据库

开发工具

Parquet凭借列式存储与自描述Schema成为Spark生态首选格式，支持谓词下推与Vectorized批量解码，性能提升3~5倍，压缩比达3~10x。本文详解spark.read.parquet()三种数据源、4级物理布局（RowGroup/ColumnChunk/Page）、谓词跳过机制及关键配置，助力高效数据管道实践。

数据架构

代码解释

LangGraph

GitHub

Spark 

JSON

HDFS

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Parquet凭借列式存储与自描述Schema成为Spark生态首选格式，支持谓词下推与Vectorized批量解码，性能提升3~5倍，压缩比达3~10x。本文详解spark.read.parquet()三种数据源、4级物理布局（RowGroup/ColumnChunk/Page）、谓词跳过机制及关键配置，助力高效数据...

SparkSQL 之 Parquet 数据转 DataSet 代码实现-腾讯云开发者社区-腾讯云

SparkSQL 之 Parquet 数据转 DataSet 代码实现

SparkSQL 之 Parquet 数据转 DataSet 代码实现

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐