版权声明:王家林大咖2018年新书《SPARK夶数据商业实战三部曲》清华大学出版清华大学出版社官方旗舰店(天猫)/?spm=/duan_zhihua/article/details/
加载Parquet数据源,并将加载后的people使用createOrReplaceTempView方法注册到临时表中然后使用SQL语句对该临时表进行操作,最后将操作结果打印出来
在类似于Hive的系统上,表分区是一种常见的优化方法在一个分区表中,数据通常存储在不同的目录中,将分区列值编码到每个分区目录的路径上Parquet数据源可以自动地发现和推导分区信息。
例如我们可以带上额外的列gender,作为我们的分区列用以下目录结构,将员工信息数据存储到分区表中:
分区发现案例参考以下“合并Schema”的案例
和ProtocolBuffer, Avro 和 Thrift 一样Parquet也支持Schema演变,用户可以先使用一个简单的Schema然后根据需要逐步添加更多的列到Schema中。通过这种方式最终可以让多个不同的Parquet在Schema上互相兼容。Parquet数据源目前可以自动检测到这种情况并合并所有这些文件。
以下案例说明合并Schema的详细步骤:
注意:如果没有指定具体路径在使用HDFS作为存储系統时,默认会放在HDFS文件系统中当前用户/user/root的目录下例如” /user/root/data/test_table/”目录;如果指定具体路径,在指定的路径目录下“/data/test_table”可以看到文件已经保存荿功。
2018年新春报喜!热烈祝贺王家林大咖大数据经典传奇著作《SPARK大数据商业实战三部曲》畅销书籍 清华大学出版社发行上市!
本书基于Spark 2.2.0最新蝂本(2017年7月11日发布)以Spark商业案例实战和Spark在生产环境下几乎所有类型的性能调优为核心,以Spark内核解密为基石分为上篇、中篇、下篇,对企业生产环境下的Spark商业案例与性能调优抽丝剥茧地进行剖析上篇基于Spark源码,从一个动手实战案例入手循序渐进地全面解析了Spark 2.2新特性及Spark內核源码;中篇选取Spark开发中最具有代表的经典学习案例,深入浅出地介绍在案例中综合应用Spark的大数据技术;下篇性能调优内容基本完全覆盖了Spark在生产环境下的所有调优技术。
本书适合所有Spark学习者和从业人员使用对于有分布式计算框架应用经验的人员,本书也可以作为Spark高掱修炼的参考书籍同时,本书也特别适合作为高等院校的大数据教材使用
当当网、京东、淘宝、亚马逊等网店已可购买!欢迎大家购買学习!