Parquet 架构和 Spark

Question

我正在尝试将 CSV 文件转换为 parquet，我正在使用 Spark 来完成此操作。

SparkSession spark = SparkSession
    .builder()
    .appName(appName)
    .config("spark.master", master)
    .getOrCreate();

Dataset<Row> logFile = spark.read().csv("log_file.csv");
logFile.write().parquet("log_file.parquet");

现在的问题是我没有定义模式，列看起来像这样（在 spark 中使用 printSchema() 显示输出）

root
 |-- _c0: string (nullable = true)
 |-- _c1: string (nullable = true)
 |-- _c2: string (nullable = true)
 ....

csv 的第一行有名字，但我猜它们被忽略了，问题是只有几列是字符串，我还有整数和日期。

我只使用Spark，基本上没有avro或其他任何东西（从未使用过avro）。

我有哪些定义模式的选项以及如何定义模式？如果我需要以其他方式编写 parquet 文件，那么没问题，只要它是一个快速简单的解决方案。

（我正在使用独立的 spark 进行测试/不知道 scala）

Answer 1

尝试使用 .option("inferschema","true") present Spark-csv 包。这将自动从数据中推断架构。

您还可以使用结构类型为您的数据定义自定义架构，并使用 .schema(schema_name) 在自定义架构的基础上读取数据。

val sqlContext = new SQLContext(sc)
val customSchema = StructType(Array(
    StructField("year", IntegerType, true),
    StructField("make", StringType, true),
    StructField("model", StringType, true),
    StructField("comment", StringType, true),
    StructField("blank", StringType, true)))

val df = sqlContext.read
    .format("com.databricks.spark.csv")
    .option("header", "true") // Use first line of all files as header
    .schema(customSchema)
    .load("cars.csv")

Parquet 架构和 Spark

Parquet schema and Spark

java

scala

apache-spark

parquet

spark-csv