39、Parquet数据源之自动分区推断&合并元数据-白红宇

39、Parquet数据源之自动分区推断&合并元数据

阅读量：5220 次

发布时间：2019-06-14

本文共 8675 字，大约阅读时间需要 28 分钟。

一、自动分区推断

1、概述

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      ... 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

2、java案例实现

##创建hdfs目录，上传文件##创建了一个users目录，之下又创建了性别=男，国家=US两个目录[root@spark1 sql]# hdfs dfs -mkdir /spark-study/users[root@spark1 sql]# hdfs dfs -mkdir /spark-study/users/gender=male[root@spark1 sql]# hdfs dfs -mkdir /spark-study/users/gender=male/country=US[root@spark1 sql]# hdfs dfs -put users.parquet /spark-study/users/gender=male/country=US--------------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;public class ParquetPartitionDiscovery {    public static void main(String[] args) {        SparkConf conf = new SparkConf().setAppName("ParquetPartitionDiscovery");        JavaSparkContext sc = new JavaSparkContext();        SQLContext sqlConf = new SQLContext(sc);                DataFrame usersDF = sqlConf.read().parquet("hdfs://spark1:9000/spark-study/users/gender=male/country=US/users.parquet");                usersDF.printSchema();        usersDF.show();            }        }##打包、上传##运行脚本[root@spark1 sql]# cat ParquetPartitionDiscovery.sh /usr/local/spark-1.5.1-bin-hadoop2.4/bin/spark-submit \--class cn.spark.study.sql.ParquetPartitionDiscovery \--num-executors 3 \--driver-memory 100m \--executor-memory 100m \--executor-cores 3 \--files /usr/local/hive/conf/hive-site.xml \--driver-class-path /usr/local/hive/lib/mysql-connector-java-5.1.17.jar \/usr/local/spark-study/java/sql/saprk-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar \##结果##可见，已经自动推断出了性别=男，国家=US两个分区，并加到了字段中+------+--------------+----------------+------+-------+|  name|favorite_color|favorite_numbers|gender|country|+------+--------------+----------------+------+-------+|Alyssa|          null|  [3, 9, 15, 20]|  male|     US||   Ben|           red|              []|  male|     US|+------+--------------+----------------+------+-------+

二、合并元数据

1、概述

如同ProtocolBuffer，Avro，Thrift一样，Parquet也是支持元数据合并的。用户可以在一开始就定义一个简单的元数据，然后随着业务需要，逐渐往元数据中添加更多的列。在这种情况下，用户可能会创建多个Parquet文件，有着多个不同的但是却互相兼容的元数据。Parquet数据源支持自动推断出这种情况，并且进行多个Parquet文件的元数据的合并。因为元数据合并是一种相对耗时的操作，而且在大多数情况下不是一种必要的特性，从Spark 1.5.0版本开始，默认是关闭Parquet文件的自动合并元数据的特性的。可以通过以下两种方式开启Parquet数据源的自动合并元数据的特性：1、读取Parquet文件时，将数据源的选项，mergeSchema，设置为true2、使用SQLContext.setConf()方法，将spark.sql.parquet.mergeSchema参数设置为true案例：合并学生的基本信息，和成绩信息的元数据

2、scala案例实现

package cn.spark.study.sqlimport org.apache.spark.SparkConfimport org.apache.spark.SparkContextimport org.apache.spark.sql.SQLContextimport org.apache.spark.sql.SaveModeobject ParquetMergeSchema {  def main(args: Array[String]) {    val conf = new SparkConf().setAppName("ParquetMergeSchema")    val sc = new SparkContext(conf)    val sqlContext = new SQLContext(sc)        import sqlContext.implicits._        // 创建一个DataFrame，作为学生的基本信息，并写入一个parquet文件中    // toSeq转换为 Seq; Seq是列表，适合存有序重复数据，进行快速插入/删除元素等场景    // sc.parallelize: 创建并行集合，2：指定了将数据集切分为2份    val studentWithNameAge = Array(("leo", 30), ("jack", 26)).toSeq    val studentWithNameAgeDF = sc.parallelize(studentWithNameAge, 2).toDF("name", "age")    studentWithNameAgeDF.save("hdfs://spark1:9000/spark-study/students", "parquet", SaveMode.Append)        // 创建第二个DataFrame，作为学生的成绩信息，并写入一个parquet文件中    val studentWithNameGrade = Array(("tom", "A"), ("marry", "B")).toSeq    val studentWithNameGradeDF = sc.parallelize(studentWithNameGrade, 2).toDF("name", "grade")    studentWithNameGradeDF.save("hdfs://spark1:9000/spark-study/students", "parquet", SaveMode.Append)        // 首先，第一个DataFrame和第二个DataFrame的元数据肯定是不一样的    // 一个是包含了name和age两个列，一个是包含了name和grade两个列    // 所以， 这里期望的是，读取出来的表数据，自动合并两个文件的元数据，出现三个列，name、age、grade        // 用mergeSchema的方式，读取students表中的数据，进行元数据的合并    val students = sqlContext.read.option("mergeSchema", "true")      .parquet("hdfs://spark1:9000/spark-study/students")          students.printSchema()    students.show()      }}##打包--上传--运行##运行脚本[root@spark1 sql]# cat ParquetMergeSchema.sh /usr/local/spark-1.5.1-bin-hadoop2.4/bin/spark-submit \--class cn.spark.study.sql.ParquetMergeSchema \--num-executors 3 \--driver-memory 100m \--executor-memory 100m \--executor-cores 3 \--files /usr/local/hive/conf/hive-site.xml \--driver-class-path /usr/local/hive/lib/mysql-connector-java-5.1.17.jar \/usr/local/spark-study/scala/sql/spark-study-scala.jar \##结果，两个DataFrame元数据已合并+-----+----+-----+| name| age|grade|+-----+----+-----+|  leo|  30| null|| jack|  26| null||marry|null|    B||  tom|null|    A|+-----+----+-----+

3、java案例实现

package cn.spark.study.sql;import java.util.ArrayList;import java.util.List;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaRDD;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.RowFactory;import org.apache.spark.sql.SQLContext;import org.apache.spark.sql.SaveMode;import org.apache.spark.sql.types.DataTypes;import org.apache.spark.sql.types.StructField;import org.apache.spark.sql.types.StructType;public class ParquetMergeSchema {    public static void main(String[] args) {        SparkConf conf = new SparkConf().setAppName("ParquetMergeSchemaJava").setMaster("local");        JavaSparkContext sparkContext = new JavaSparkContext(conf);        SQLContext sqlContext = new SQLContext(sparkContext);         // 创建一个DataFrame，作为学生的基本信息，并写入一个parquet文件中        List
     
       studentWithNameAndAge = new ArrayList
      
       ();        studentWithNameAndAge.add("tom,18");        studentWithNameAndAge.add("jarry,17");        JavaRDD
       
         studentWithNameAndAgeRDD = sparkContext.parallelize(studentWithNameAndAge, 2);        JavaRDD
        
          studentWithNameAndAgeRowRDD = studentWithNameAndAgeRDD            .map(new Function
         
          () {            @Override            public Row call(String v1) throws Exception {                return RowFactory.create(v1.split(",")[0], Integer.parseInt(v1.split(",")[1]));            }        });                List
          
            fieldList = new ArrayList
           
            (); fieldList.add(DataTypes.createStructField("name", DataTypes.StringType, true)); fieldList.add(DataTypes.createStructField("age", DataTypes.IntegerType, true)); StructType structType = DataTypes.createStructType(fieldList); DataFrame studentWithNameAndAgeDF = sqlContext.createDataFrame(studentWithNameAndAgeRowRDD, structType); studentWithNameAndAgeDF.write().format("parquet").mode(SaveMode.Append) .save("hdfs://spark1:9000/spark-study/students"); // 创建第二个DataFrame，作为学生的成绩信息，并写入一个parquet文件中 List
            
              studentWithNameAndGrade = new ArrayList
             
              (); studentWithNameAndGrade.add("leo,B"); studentWithNameAndGrade.add("jack,A"); JavaRDD
              
                studentWithNameAndGradeRDD = sparkContext.parallelize(studentWithNameAndGrade, 2); JavaRDD
               
                 studentWithNameAndGradeRowRDD = studentWithNameAndGradeRDD .map(new Function
                
                 () { @Override public Row call(String v1) throws Exception { return RowFactory.create(v1.split(",")[0], v1.split(",")[1]); } }); fieldList = new ArrayList
                 
                  (); fieldList.add(DataTypes.createStructField("name", DataTypes.StringType, true)); fieldList.add(DataTypes.createStructField("grade", DataTypes.StringType, true)); structType = DataTypes.createStructType(fieldList); DataFrame studentWithNameAndGradeDF = sqlContext.createDataFrame(studentWithNameAndGradeRowRDD, structType); studentWithNameAndGradeDF.write().format("parquet").mode(SaveMode.Append) .save("hdfs://spark1:9000/spark-study/students"); // 首先，第一个DataFrame和第二个DataFrame的元数据肯定是不一样的吧 // 一个是包含了name和age两个列，一个是包含了name和grade两个列 // 所以， 这里期望的是，读取出来的表数据，自动合并两个文件的元数据，出现三个列，name、age、grade // 用mergeSchema的方式，读取students表中的数据，进行元数据的合并 DataFrame df = sqlContext.read().option("mergeSchema", "true") .parquet("hdfs://spark1:9000/spark-study/students"); df.schema(); df.show(); }}