Spark从入门到精通21:Spark SQL:Parquet数据源自动分区推断

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
首先,我们先在hdfs文件系统上新建目录:
spark1:9000/spark-study/users/gender=male/country=US
然后执行:
hadoop fs -put users.parquet /spark-study/users/gender=male/country=US/users.parquet
将users.parquet文件加入新建的目录,然后执行以下编写的代码:

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;

/**
 * Parquet数据源之自动推断分区
 * @author Administrator
 *
 */
public class ParquetPartitionDiscovery {

    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setAppName("ParquetPartitionDiscovery");  
        JavaSparkContext sc = new JavaSparkContext(conf);
        SQLContext sqlContext = new SQLContext(sc);
        
        DataFrame usersDF = sqlContext.read().parquet(
                "hdfs://spark1:9000/spark-study/users/gender=male/country=US/users.parquet");
        usersDF.printSchema();
        usersDF.show();
    }
    
}

运行代码,打印如下信息:



实验成功,我们原来的users.parquet文件只有3列,先在新增了两列gender和contry,说明它自动分区了。
执行hadoop fs -lsr /spark-study,如下:



users.parquet这个文件相当于放在了users这个表里,我们给这个表建了两个分区列,一个分区列是gender,一个分区是country,然后spark-sql就自动根据表下面的目录结构推断出了有这两个分区,然后将这两个分区放到了分区下面的这个数据里给它加了这两列,而它的值就是这个分区的值male和US
这就是自动分区推断特性。

你可能感兴趣的:(Spark从入门到精通21:Spark SQL:Parquet数据源自动分区推断)