使用 Spark 将 CSV 转换为 ORC

Question

我已经看到 this blog post Hortonworks 通过数据源支持 Spark 1.2 中的 ORC。

它涵盖了 1.2 版，它解决了从对象创建 ORC 文件的问题，而不是从 csv 到 ORC 的转换。我还看到 ways，如预期的那样，在 Hive 中进行这些转换。

有人可以提供一个简单的示例，说明如何从 Spark 1.6+ 加载纯 csv 文件，将其保存为 ORC，然后将其作为数据框加载到 Spark 中。

Answer 1

我将省略 CSV 阅读部分，因为这个问题之前已经回答了很多时间，而且网上有很多教程可以用于此目的，再次编写它会有点矫枉过正。 Check here if you want !

兽人支持：

关于 ORC，HiveContext 支持它们。

HiveContext 是 Spark SQL 执行引擎的一个实例，它与 Hive 中存储的数据集成。 SQLContext 提供了 Spark SQL 支持的一个子集，它不依赖于 Hive 而依赖于 ORC，Window 函数和其他功能依赖于从 hive 读取配置的 HiveContext-site.xml 在类路径上。

您可以定义一个 HiveContext 如下：

import org.apache.spark.sql.hive.orc._
import org.apache.spark.sql._
val hiveContext = new org.apache.spark.sql.hive.HiveContext(sc)

如果您使用的是 spark-shell，您可以直接使用 sqlContext 而无需创建 hiveContext，因为默认情况下，sqlContext 被创建为 HiveContext。

在下面的 SQL 语句末尾指定 as orc 可确保 Hive table 以 ORC 格式存储。例如：

val df : DataFrame = ???
df.registerTempTable("orc_table")
val results = hiveContext.sql("create table orc_table (date STRING, price FLOAT, user INT) stored as orc")

保存为 ORC 文件

让我们将 DataFrame 持久化到我们之前创建的 Hive ORC table 中。

results.write.format("orc").save("data_orc")

要将结果存储在配置单元目录而不是用户目录中，请改用此路径/apps/hive/warehouse/data_orc（来自配置单元的配置单元仓库路径-default.xml）

使用 Spark 将 CSV 转换为 ORC

Converting CSV to ORC with Spark

apache-spark

apache-spark-sql

orc

兽人支持：

保存为 ORC 文件