4.3Spark SQL数据源-Parquet文件
一、Parquet概述
Apache Parquet是Hadoop生态系统中任何项目都可以使用的列式存储格式，不受数据处理框架、数据模型和编程语言的影响。Spark SQL支持对Parquet文件的读写，并且可以自动保存源数据的Schema。当写入Parquet文件时，为了提高兼容性，所有列都会自动转换为“可为空”状态。
二、读取和写入Parquet的方法
加载和写入Parquet文件时，除了可以使用load()方法和save()方法外，还可以直接使用Spark SQL内置的parquet()方法
（一）利用parquet()方法读取parquet文件
1、读取parquet文件
执行命令：val usersdf = spark.read.parquet("hdfs://master:9000/input/users.parquet")
2、显示数据帧内容
执行命令：usersdf.show()
（二）利用parquet()方法写入parquet文件
1、写入parquet文件
执行命令：usersdf.select("name", "favorite_color").write.parquet("hdfs://master:9000/result")
报错说/result目录已经存在，有两种解决问题的方式，一个是删除result目录，一个是修改命令，设置覆盖模式
导入SaveMode类后，执行命令：usersdf.select("name", "favorite_color").write.mode(SaveMode.Overwrite)parquet("hdfs://master:9000/result")
2、查看生成的parquet文件
在slave1虚拟机上执行命令：hdfs dfs -ls /result
三、Schema合并
（一）Schema合并概述
与Protocol Buffer、Avro和Thrift一样，Parquet也支持Schema合并。刚开始可以先定义一个简单的Schema，然后根据业务需要逐步向Schema中添加更多的列，最终会产生多个Parquet文件，各个Parquet文件的Schema不同，但是相互兼容。对于这种情况，Spark SQL读取Parquet数据源时可以自动检测并合并所有Parquet文件的Schema。
（二）开启Schema合并功能
由于Schema合并是一个相对耗时的操作，并且在多数情况下不是必需的，因此从Spark 1.5.0开始默认将Schema自动合并功能关闭，可以通过两种方式开启。
1、利用option()方法设置
读取Parquet文件时，通过调用option()方法将数据源的属性mergeSchema设置为true
val mergedDF = spark.read.option("mergeSchema", "true").parquet("hdfs://master:9000/students")
1
2、利用config()方法设置
构建SparkSession对象时，通过调用config()方法将全局SQL属性spark.sql.parquet.mergeSchema设置为true
val spark = SparkSession.builder()
.appName("SparkSQLDataSource")
.config("spark.sql.parquet.mergeSchema", true)
.master("local[*]")
.getOrCreate()
1
2
3
4
5
（三）案例演示Schema合并
1、提出任务
向HDFS的目录/students中首先写入两个学生的姓名和年龄信息，然后写入两个学生的姓名和成绩信息，最后读取/students目录中的所有学生数据并合并Schema。
2、完成任务
创建SchemaMergeDemo单例对象
package net.hw.sparksql
import org.apache.spark.sql.{SaveMode, SparkSession}
/**
* 功能：演示Schema合并
* 作者：华卫
* 日期：2022年05月11日
*/
object SchemaMergeDemo {
def main(args: Array[String]): Unit = {
// 创建或得到SparkSession
val spark = SparkSession.builder()
.appName("SparkSQLDataSource")
.config("spark.sql.parquet.mergeSchema", true)
.master("local[*]")
.getOrCreate()
// 导入隐式转换
import spark.implicits._
// 创建列表集合，存储姓名和年龄
val studentList1 = List(("李克文", 23), ("张晓琳", 28))
// 将列表集合转为数据帧，并指定列名name和age
val studentDF1 = spark.sparkContext
.makeRDD(studentList1)
.toDF("name", "age")
// 输出数据帧内容
studentDF1.show()
// 将数据帧写入HDFS指定目录
studentDF1.write.mode(SaveMode.Append)
.parquet("hdfs://master:9000/students")
// 创建列表集合，存储姓名和成绩
val studentList2 = List(("无心剑", 99), ("陈鸿宇", 78))
// 将列表集合转为数据帧，并指定列名name和age
val studentDF2 = spark.sparkContext
.makeRDD(studentList2)
.toDF("name", "score")
// 输出数据帧内容
studentDF2.show()
// 将数据帧写入HDFS指定目录
studentDF2.write.mode(SaveMode.Append)
.parquet("hdfs://master:9000/students")
// 读取指定目录下多个文件
val mergedDF = spark.read.option("mergeSchema", true)
.parquet("hdfs://master:9000/students")
// 输出Schema信息
mergedDF.printSchema()
// 输出数据帧内容
mergedDF.show()
}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
运行程序，抛出两个异常
第一个是IO异常：java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.
第二个是访问控制异常：org.apache.hadoop.security.AccessControlException: Permission denied: user=Administrator, access=WRITE, inode="/students":root:supergroup:drwxr-xr-x
先解决第一个异常。在Windows环境中缺少winutils.exe程序而抛出异常。一般情况下，Spark运行在Linux系统上，在Windows下运行时需要安装支持插件hadoop2.7-common-bin
下载链接：https://pan.baidu.com/s/1TbmAnwi4hscLtlqV9-rrXg 提取码：plis
解压缩到指定目录
设置环境变量，让系统可以搜索到winutils.exe
解决第二个异常。添上一句，设置HADOOP用户名属性
创建日志属性文件 - log4j.properties，免得看见太多Spark的log信息
log4j.rootLogger=stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
1
2
3
4
5
6
7
8
运行程序，查看结果
从输出的Schema信息和数据内容可以看出，Spark SQL在读取Parquet文件数据时，自动将不同文件的Schema信息进行合并