从 HDFS 收集 Parquet 数据到本地文件系统

Question

给定一个分布在 HDFS 上的 Parquet 数据集（元数据文件 + 可能 .parquet 部分），如何正确合并部分并将数据收集到本地文件系统？ dfs -getmerge ... 不起作用 - 它将元数据与实际镶木地板文件合并..

Answer 1

有一种涉及 Apache Spark API 的方法 - 它提供了一种解决方案，但可能存在不使用第三方工具的更有效的方法。

spark> val parquetData = sqlContext.parquetFile("pathToMultipartParquetHDFS")       
spark> parquet.repartition(1).saveAsParquetFile("pathToSinglePartParquetHDFS")

bash> ../bin/hadoop dfs -get pathToSinglePartParquetHDFS localPath

从 Spark 1.4 开始，最好使用 DataFrame::coalesce(1) 而不是 DataFrame::repartition(1)

Answer 2

你可以用猪

A = LOAD '/path/to parquet/files' USING parquet.pig.ParquetLoader as (x,y,z) ;
STORE A INTO 'xyz path' USING PigStorage('|');

您可以在上面创建 Impala table，然后使用

impala-shell -e "query" -o <output>

您也可以使用 Mapreduce 的相同方式

Answer 3

您可以使用镶木地板工具 java -jar parquet-tools.jar merge source/ target/

从 HDFS 收集 Parquet 数据到本地文件系统

Collecting Parquet data from HDFS to local file system

hadoop

hdfs

parquet