是否可以在不依赖 Hadoop 和 HDFS 的情况下使用 Java 读写 Parquet？

Question

我一直在寻找这个问题的解决方案。

在我看来，如果不依赖 HDFS 和 Hadoop，就无法在 Java 程序中嵌入读写 Parquet 格式。这个对吗？

我想在 Hadoop 集群之外的客户端机器上读写。

我开始对 Apache Drill 感到兴奋，但它似乎必须运行作为一个单独的进程。我需要的是使用 Parquet 格式读写文件的进程内能力。

Answer 1

您可以使用 java Parquet Client API.

在 hadoop 集群外编写 parquet 格式

这里是 java 中的示例代码，它将 parquet 格式写入本地磁盘。

import org.apache.avro.Schema;
import org.apache.avro.generic.GenericData;
import org.apache.avro.generic.GenericRecord;
import org.apache.hadoop.fs.Path;
import org.apache.parquet.avro.AvroSchemaConverter;
import org.apache.parquet.avro.AvroWriteSupport;
import org.apache.parquet.hadoop.ParquetWriter;
import org.apache.parquet.hadoop.metadata.CompressionCodecName;
import org.apache.parquet.schema.MessageType;

public class Test {
    void test() throws IOException {
        final String schemaLocation = "/tmp/avro_format.json";
        final Schema avroSchema = new Schema.Parser().parse(new File(schemaLocation));
        final MessageType parquetSchema = new AvroSchemaConverter().convert(avroSchema);
        final WriteSupport<Pojo> writeSupport = new AvroWriteSupport(parquetSchema, avroSchema);
        final String parquetFile = "/tmp/parquet/data.parquet";
        final Path path = new Path(parquetFile);
        ParquetWriter<GenericRecord> parquetWriter = new ParquetWriter(path, writeSupport, CompressionCodecName.SNAPPY, BLOCK_SIZE, PAGE_SIZE);
        final GenericRecord record = new GenericData.Record(avroSchema);
        record.put("id", 1);
        record.put("age", 10);
        record.put("name", "ABC");
        record.put("place", "BCD");
        parquetWriter.write(record);
        parquetWriter.close();
    }
}

avro_format.json,

{
   "type":"record",
   "name":"Pojo",
   "namespace":"com.xx.test",
   "fields":[
      {
         "name":"id",
         "type":[
            "int",
            "null"
         ]
      },
      {
         "name":"age",
         "type":[
            "int",
            "null"
         ]
      },
      {
         "name":"name",
         "type":[
            "string",
            "null"
         ]
      },
      {
         "name":"place",
         "type":[
            "string",
            "null"
         ]
      }
   ]
}

希望对您有所帮助。

是否可以在不依赖 Hadoop 和 HDFS 的情况下使用 Java 读写 Parquet？

Is it possible to read and write Parquet using Java without a dependency on Hadoop and HDFS?

java

hadoop

parquet

apache-drill

data-formats