数据源Parquet之使用编程方式加载数据

Parquet是面向分析型业务的列式存储格式，由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目，最新的版本是1.8.0。

列式存储和行式存储相比有哪些优势呢？
1、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。
2、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（例如Run Length Encoding和Delta Encoding）进一步节约存储空间。
3、只读取需要的列，支持向量运算，能够获取更好的扫描性能。

这里讲解Parquet数据源的第一个知识点，使用编程的方式加载Parquet文件中的数据。

案例：查询用户数据中的用户姓名。

Java版本：

/**
* Parquet数据源之使用编程方式加载数据
* @author Administrator
*
*/
public class ParquetLoadData {

​public static void main(String[] args) {
​​SparkConf conf = new SparkConf()​​​​.setAppName("ParquetLoadData");  
​​JavaSparkContext sc = new JavaSparkContext(conf);
​​SQLContext sqlContext = new SQLContext(sc);
// 读取Parquet文件中的数据，创建一个DataFrame
​​DataFrame usersDF = sqlContext.read().parquet(​​​​"hdfs://spark1:9000/spark-study/users.parquet");
​​// 将DataFrame注册为临时表，然后使用SQL查询需要的数据
​​usersDF.registerTempTable("users");  
​​DataFrame userNamesDF = sqlContext.sql("select name from users");  
// 对查询出来的DataFrame进行transformation操作，处理数据，然后打印出来
List<String> userNames = userNamesDF.javaRDD().map(new Function<Row, String>() {

​​​private static final long serialVersionUID = 1L;

​​​@Override
​​​public String call(Row row) throws Exception {
​​​​return "Name: " + row.getString(0);
​​​}
​​}).collect();

for(String userName : userNames) {
​​​System.out.println(userName);  
​​}
​}
}

Scala版本：

import org.apache.spark.sql.SQLContext
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

class ParquetLoadData {  
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("ParquetLoadData")  
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
val usersDF = sqlContext.read.parquet("hdfs://spark1:9000/spark-study/users.parquet") 
usersDF.registerTempTable("users")
val userNamesDF = sqlContext.sql("select name from users")  
userNamesDF.rdd.map { row => "Name: " + row(0) }.collect()
   .foreach { userName => println(userName) }  
}
}