Parquet檔案
Parquet是一欄位(columnar)格式,可以被許多其它的資料處理系统支援。 Spark SQL 提供支援讀和寫 Parquet 檔案的功能,這些檔案可以自動地保留原始資料的模式。
讀取資料
// sqlContext from the previous example is used in this example.
// createSchemaRDD is used to implicitly convert an RDD to a SchemaRDD.
import sqlContext.createSchemaRDD
val people: RDD[Person] = ... // An RDD of case class objects, from the previous example.
// The RDD is implicitly converted to a SchemaRDD by createSchemaRDD, allowing it to be stored using Parquet.
people.saveAsParquetFile("people.parquet")
// Read in the parquet file created above. Parquet files are self-describing so the schema is preserved.
// The result of loading a Parquet file is also a SchemaRDD.
val parquetFile = sqlContext.parquetFile("people.parquet")
//Parquet files can also be registered as tables and then used in SQL statements.
parquetFile.registerTempTable("parquetFile")
val teenagers = sqlContext.sql("SELECT name FROM parquetFile WHERE age >= 13 AND age <= 19")
teenagers.map(t => "Name: " + t(0)).collect().foreach(println)
配置
可以在 SQLContext 上使用 setConf 方法配置 Parquet .或者在用 SQL 時使用 SET key=value
指令來配置 Parquet。
Property Name | Default | Meaning |
---|---|---|
spark.sql.parquet.binaryAsString | false | 一些其它的Parquet-producing系统,特别是Impala和其它版本的Spark SQL,當寫出 Parquet 模式的時候,二進位資料和字串之間無法分區分。這個標記告訴Spark SQL 將二進位資料解釋為字串來提供這些系统的相容性。 |
spark.sql.parquet.cacheMetadata | true | 打開 parquet 中繼資料的暫存,可以提高靜態數據的查詢速度 |
spark.sql.parquet.compression.codec | gzip | 設置寫 parquet 文件時的壓縮演算法,可以接受的值包括:uncompressed, snappy, gzip, lzo |
spark.sql.parquet.filterPushdown | false | 打開 Parquet 過濾器的 pushdown 優化。因為已知的 Paruet 錯誤,這個選項預設是關閉的。如果你的表不包含任何空的字串或者二進位的列,開啟這個選項仍是安全的 |
spark.sql.hive.convertMetastoreParquet | true | 當設置為 false 時,Spark SQL 將使用 Hive SerDe 代替内建的支援 |