【Python笔记】Parquet介绍及简单使用

1 什么是parquet

• 定义：Parquet 是列式存储的一种文件类型
• 官网描述：无论数据处理框架，数据模型或编程语言的选择如何，Apache Parquet都是Hadoop生态系统中任何项目可用的列式存储格式
• 由来：Parquet的灵感来自于2010年Google发表的Dremel论文，文中介绍了一种支持嵌套结构的存储格式，并且使用了列式存储的方式提升查询性能，在Dremel论文中还介绍了Google如何使用这种存储格式实现并行查询的，如果对此感兴趣可以参考论文和开源实现Apache Drill。
• 特点：

  • 可以跳过不符合条件的数据，只读取需要的数据，降低 IO 数据量

  • 压缩编码可以降低磁盘存储空间（由于同一列的数据类型是一样的，可以使用更高效的压缩编码（如 Run Length Encoding t Delta Encoding）进一步节约存储空间）

  • 只读取需要的列，支持向量运算，能够获取更好的扫描性能

  • Parquet 格式是 Spark SQL 的默认数据源，可通过 spark.sql.sources.default 配置

2 parquet 常用操作

2.1 load 和 save 函数

// 读取 Parquet 文件
val usersDF = spark.read.load("/test/users.parquet")
 
// 查询 Schema 和数据
usersDF.printSchema
usersDF.show
 
// 查询用户的 name 和喜爱颜色并保存
usersDF.select($"name", $"favorite_color").write.save("/test/result/parquet")
// 验证结果 可通过 printSchema 查询数据结构，使用 show 查看数据

// 显式指定文件格式： 加载 json 格式
val usersDF = spark.read.format("json").load("/test/people.json")
 
// 存储模式(Save Modes)
// 可以采用 SaveMode 执行存储操作， SaveMode 定义了对数据的处理模式，需要注意的是，这些保存模式不使用任何锁定，不是原子操作
// 当使用 Overwrite 方式执行时，在输出新数据之前，原数据就已经被删除
usersDF.select($"name").write.save("/test/parquet1")   // 若 /test/parquet1 存在会报错
usersDF.select($"name").wirte.mode("overwrite").save("/test/parquet1") // 使用 overwrite 即可
 
// 将结果保存为表, 也可以进行分区，分桶等操作： partitionBy bucketBy
usersDF.select($"name").write.saveAsTable("table1")

2.2 Parquet文件

Parquet 是一个列格式而且用于多个数据处理系统中

Spark SQL 提供支持对于 Parquet 文件的读写，也就是自动保存原始 数据的 Schema, 当写 Parquet 文件时，所有的列被自动转化为 nullable，因为兼容性的缘故

• 读取 Json 格式的数据，将其转换成 parquet 格式，创建相应的表，使用 SQL 语句查询

// 从 json 文件中读入数据
val empJson = spark.read.json("/test/emp.json")

// 将数据保存为 parquet
empJson.write.mode("overwrite").parquet("/test/parquet")

// 读取 parquet
val empParquet = spark.read.parquet("/test/parquet")

// 创建临时表 emptable
empParquet.createOrReplaceTempView("emptalbe")

// 使用 SQL 语句执行查询
spark.sql("select * from emptable where deptno=10 and sal>1500").show

• Schematic 的合并： 先定义一个简单的 Schema，然后逐渐增加列描述，用户可以获取多个有多个不同 Schema 但相互兼容的Parquet 文件

// 创建第一个文件
val df1 = sc.makeRDD(1 to 5).map(x=> (x, x*2)).toDF("single", "double")
scala> df1.printSchema
root
 |-- single: integer (nullable = false)
 |-- double: integer (nullable = false)
  
  
// 创建第二个文件
 scala> val df2 = sc.makeRDD(6 to 10).map(x=> (x, x*2)).toDF("single", "triple")
df2: org.apache.spark.sql.DataFrame = [single: int, triple: int]
 
scala> df2.printSchema
root
 |-- single: integer (nullable = false)
 |-- triple: integer (nullable = false)
   
 scala> df2.write.parquet("/data/testtable/key=2")
 
 // 合并上面的两个文件
scala> val df3 = spark.read.option("mergeSchema", "true").parquet("/data/testtable")
df3: org.apache.spark.sql.DataFrame = [single: int, double: int ... 2 more fields]
 
scala> df3.printSchema
root
 |-- single: integer (nullable = true)
 |-- double: integer (nullable = true)
 |-- triple: integer (nullable = true)
 |-- key: integer (nullable = true)
  
 scala> df3.show
+------+------+------+---+
|single|double|triple|key|
+------+------+------+---+
|     8|  null|    16|  2|
|     9|  null|    18|  2|
|    10|  null|    20|  2|
|     3|     6|  null|  1|
|     4|     8|  null|  1|
|     5|    10|  null|  1|
|     6|  null|    12|  2|
|     7|  null|    14|  2|
|     1|     2|  null|  1|
|     2|     4|  null|  1|
+------+------+------+---+

2.3 Json Datasets（两种写法）

// 第一种
scala> val df4 = spark.read.json("/app/spark-2.2.1-bin-hadoop2.7/examples/src/main/resources/people.json")
df4: org.apache.spark.sql.DataFrame = [age: bigint, name: string]
 
scala> df4.show
+----+-------+
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+
 
// 第二种
scala> val df5 = spark.read.format("json").load("/app/spark-2.2.1-bin-hadoop2.7/examples/src/main/resources/people.json")
df5: org.apache.spark.sql.DataFrame = [age: bigint, name: string]
 
scala> df5.show
+----+-------+
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+

2.4 JDBC 方式读取关系型数据库中的数据（需要将 JDBC 的驱动加入）

// 将 JDBC 的驱动加入
bin/spark-shell --master spark://bigdata11:7077 --jars /root/temp/ojdbc6.jar --driver-class-path /root/temp/ojdbc6.jar
 
// 读取 Oracle
val oracleEmp = spark.read.format("jdbc")
                    .option("url","jdbc:oracle:thin:@192.168.10.100:1521/orcl.example.com")
                    .option("dbtable","scott.emp")
                    .option("user","scott")
                    .option("password","tiger").load

2.5 操作 Hive 的表

• 把 hive 和 hadoop 的配置文件拷贝到sprke 的 conf 目录下：hive-sit.xml, core-sit.xml, hdfs-sit.xml
• 启动 Spark-shell 时 指定mysql 数据库的驱动程序

./bin/spark-shell --master spark://bigdata0:7077 --jars /data/tools/mysql-connector-java-5.1.43-bin.jar  --driver-class-path /data/tools/mysql-connector-java-5.1.43-bin.jar

• 使用 Spark Shell 操作 Hive

// 创建表
spark.sql("create table ccc(key INT, value STRING) row format delimited fields terminated by ','")
 
// 导入数据
spark.sql("load data local path '/test/data.txt' into table ccc")
 
// 查询数据
spark.sql("select * from ccc").show

• 使用 Spark SQL 操作 Hive

show tables;
select * from ccc;