spark sql编程之实现合并Parquet格式的DataFrame的schema
问题导读
1.DataFrame合并schema由哪个配置项控制？
2.修改配置项的方式有哪两种？
3.spark读取hive parquet格式的表，是否转换为自己的格式？
首先说下什么是schema，其实这跟通俗来讲，与我们传统数据表字段的名称是一个意思。明白了这个，我们在继续往下看。
合并schema
首先创建RDD，并转换为含有两个字段"value", "square"的DataFrame
[Scala] 纯文本查看 复制代码
?
1 |
val squaresDF = spark.sparkContext.makeRDD(1 to 5).map(i => (i, i * i)).toDF("value", "square")
|
然后以parquet格式保存
[Scala] 纯文本查看 复制代码
?
1 |
squaresDF.write.parquet("data/test_table/key=1")
|
然后在创建RDD，并转换为含有两个字段"value", "cube"的DataFrame
[Scala] 纯文本查看 复制代码
?
1 |
val cubesDF = spark.sparkContext.makeRDD(6 to 10).map(i => (i, i * i * i)).toDF("value", "cube")
|
然后以parquet格式保存
[Scala] 纯文本查看 复制代码
?
1 |
cubesDF.write.parquet("data/test_table/key=2")
|
最后合并schema
[Scala] 纯文本查看 复制代码
?
1 |
val mergedDF = spark.read.option("mergeSchema", "true").parquet("data/test_table")
|
我们打印schema
[Scala] 纯文本查看 复制代码
?
1 |
mergedDF.printSchema() |
接着我们现实数据
[Scala] 纯文本查看 复制代码
?
1 |
mergedDF.show |
如果想合并schema需要设置mergeSchema 为true，当然还有另外一种方式是设置spark.sql.parquet.mergeSchema为true。
相关补充说明：
Hive metastore Parquet表格式转换
当读取hive的 Parquet 表时，Spark SQL为了提高性能，会使用自己的支持的Parquet，由配置 spark.sql.hive.convertMetastoreParquet控制，默认是开启的。
上面除了Parquet格式支持外，还有ProtocolBuffer, Avro, 和Thrift支持合并。
如何修改配置项：
可以通过SparkSession 的setConf 或则使用SQL命令
[Bash shell] 纯文本查看 复制代码
?
1 |
SET key=value |
更多配置项如下：