一、概述

Parquet是面向分析型业务的列式存储格式，由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目，最新的版本是1.8.0。列式存储和行式存储相比有哪些优势呢？1、可以跳过不符合条件的数据，只读取需要的数据，降低IO数据量。 2、压缩编码可以降低磁盘存储空间。由于同一列的数据类型是一样的，可以使用更高效的压缩编码（例如Run Length Encoding和Delta Encoding）进一步节约存储空间。 3、只读取需要的列，支持向量运算，能够获取更好的扫描性能。 这里讲解Parquet数据源的第一个知识点，使用编程的方式加载Parquet文件中的数据。

二、代码

1、java实现

package cn.spark.study.sql;import java.util.List;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.api.java.function.Function;import org.apache.spark.sql.DataFrame;import org.apache.spark.sql.Row;import org.apache.spark.sql.SQLContext;/** * Parquet数据源之使用编程方式加载数据 * @author Administrator * */public class ParquetLoadData {    public static void main(String[] args) {        SparkConf conf = new SparkConf()                .setAppName("ParquetLoadData");          JavaSparkContext sc = new JavaSparkContext(conf);        SQLContext sqlContext = new SQLContext(sc);                // 读取Parquet文件中的数据，创建一个DataFrame        DataFrame usersDF = sqlContext.read().parquet(                "hdfs://spark1:9000/spark-study/users.parquet");                // 将DataFrame注册为临时表，然后使用SQL查询需要的数据        usersDF.registerTempTable("users");          DataFrame userNamesDF = sqlContext.sql("select name from users");                  // 对查询出来的DataFrame进行transformation操作，处理数据，然后打印出来        List
     
       userNames = userNamesDF.javaRDD().map(new Function
      
       () {            private static final long serialVersionUID = 1L;            @Override            public String call(Row row) throws Exception {                return "Name: " + row.getString(0);            }                    }).collect();                for(String userName : userNames) {            System.out.println(userName);          }    }    }##打包、上传##运行脚本cat parquet_load_data.sh/usr/local/spark-1.5.1-bin-hadoop2.4/bin/spark-submit \--class cn.spark.study.sql.ParquetLoadData \--num-executors 3 \--driver-memory 100m \--executor-memory 100m \--executor-cores 3 \--files /usr/local/hive/conf/hive-site.xml \--driver-class-path /usr/local/hive/lib/mysql-connector-java-5.1.17.jar \/usr/local/spark-study/java/sql/saprk-study-java-0.0.1-SNAPSHOT-jar-with-dependencies.jar \
      
     

2、scala实现

package cn.spark.study.sqlimport org.apache.spark.SparkConfimport org.apache.spark.SparkContextimport org.apache.spark.sql.SQLContextobject ParquetLoadData {  def main(args: Array[String]) {    val conf = new SparkConf().setAppName("ParquetLoadData")    val sc = new SparkContext(conf)    val sqlContext = new SQLContext(sc)        // 读取Parquet文件中的数据，创建一个DataFrame    val usersDF = sqlContext.read.parquet("hdfs://spark1:9000/spark-study/users.parquet")        // 将DataFrame注册为临时表，然后使用SQL查询需要的数据    usersDF.registerTempTable("users")    val userNameDF = sqlContext.sql("select * from users")        // 对查询出来的DataFrame进行transformation操作，处理数据，然后打印出来    userNameDF.rdd.map( row => "Name: " + row(0)).collect()      .foreach( userName => println(userName))      }}##Export-->打jar包-->上传##运行脚本[root@spark1 sql]# cat parquet_load_data.sh /usr/local/spark-1.5.1-bin-hadoop2.4/bin/spark-submit \--class cn.spark.study.sql.ParquetLoadData \--num-executors 3 \--driver-memory 100m \--executor-memory 100m \--executor-cores 3 \--files /usr/local/hive/conf/hive-site.xml \--driver-class-path /usr/local/hive/lib/mysql-connector-java-5.1.17.jar \/usr/local/spark-study/scala/sql/spark-study-scala.jar \