本文主要测试将Avro数据转换为Parquet格式的过程并查看 Parquet 文件的 schema 和元数据。
准备
将文本数据转换为 Parquet 格式并读取内容，可以参考 Cloudera 的 MapReduce 例子：https://github.com/cloudera/parquet-examples。
准备文本数据 a.txt 为 CSV 格式：
1,2 3,4 4,5
准备 Avro 测试数据，可以参考 将Avro数据加载到Spark 一文。
本文测试环境为：CDH 5.2，并且 Avro、Parquet 组件已经通过 YUM 源安装。
将 CSV 转换为 Parquet
在 Hive 中创建一个表并导入数据：
create table mycsvtable (x int, y int) row format delimited FIELDS TERMINATED BY ',' STORED AS TEXTFILE; LOAD DATA LOCAL INPATH 'a.txt' OVERWRITE INTO TABLE mycsvtable;
创建 Parquet 表并转换数据：
create table myparquettable (a INT, b INT) STORED AS PARQUET LOCATION '/tmp/data'; insert overwrite table myparquettable select * from mycsvtable;
查看 hdfs 上生成的 myparquettable 表的数据：
$ hadoop fs -ls /tmp/data Found 1 items -rwxrwxrwx 3 hive hadoop 331 2015-03-25 15:50 /tmp/data/000000_0
在 hive 中查看 myparquettable 表的数据：
hive (default)> select * from myparquettable; OK myparquettable.a myparquettable.b 1 2 3 4 4 5 Time taken: 0.149 seconds, Fetched: 3 row(s)
查看 /tmp/data/000000_0 文件的 schema ：
$ hadoop parquet.tools.Main schema /tmp/data/000000_0 message hive_schema { optional int32 a; optional int32 b; }
查看 /tmp/data/000000_0 文件的元数据：
$ hadoop parquet.tools.Main meta /tmp/data/000000_0 creator: parquet-mr version 1.5.0-cdh5.2.0 (build 8e266e052e423af5 [more]... file schema: hive_schema -------------------------------------------------------------------------------- a: OPTIONAL INT32 R:0 D:1 b: OPTIONAL INT32 R:0 D:1 row group 1: RC:3 TS:102 -------------------------------------------------------------------------------- a: INT32 UNCOMPRESSED DO:0 FPO:4 SZ:51/51/1.00 VC:3 ENC:BIT [more]... b: INT32 UNCOMPRESSED DO:0 FPO:55 SZ:51/51/1.00 VC:3 ENC:BI [more]...
将 Avro 转换为 Parquet
使用 将Avro数据加载到Spark 中的 schema 和 json 数据，从 json 数据生成 avro 数据：
$ java -jar /usr/lib/avro/avro-tools.jar fromjson --schema-file twitter.avsc twitter.json > twitter.avro
将 twitter.avsc 和 twitter.avro 上传到 hdfs：
hadoop fs -put twitter.avro
使用 https://github.com/laserson/avro2parquet 将 avro 转换为 parquet 格式：
$ hadoop jar avro2parquet.jar twitter.avsc twitter.avro /tmp/out
然后，在 hive 中创建表并导入数据：
create table tweets_parquet (username string, tweet string, timestamp bigint) STORED AS PARQUET; load data inpath '/tmp/out/part-m-00000.snappy.parquet' overwrite into table tweets_parquet;
接下来，可以查询数据并查看 parquet 文件的 schema 和元数据，方法同上文。
参考文章
- Converting Avro data to Parquet format in Hadoop