39、Parquet数据源之自动分区推断&合并元数据

一、自动分区推断

1、概述

表分区是一种常见的优化方式，比如Hive中就提供了表分区的特性。在一个分区表中，不同分区的数据通常存储在不同的目录中，
分区列的值通常就包含在了分区目录的目录名中。Spark SQL中的Parquet数据源，支持自动根据目录名推断出分区信息。
例如，如果将人口数据存储在分区表中，并且使用性别和国家作为分区列。那么目录结构可能如下所示：

tableName
  |- gender=male
    |- country=US
      ...
      ...
      ...
    |- country=CN
      ...
  |- gender=female
    |- country=US
      ...
    |- country=CH
      ... 

如果将/tableName传入SQLContext.read.parquet()或者SQLContext.read.load()方法，那么Spark SQL就会自动根据目录结构，推断出分区信息，是gender和country。
即使数据文件中只包含了两列值，name和age，但是Spark SQL返回的DataFrame，调用printSchema()方法时，会打印出四个列的值：name，age，country，gender。这就是自动分区推断的功能。

此外，分区列的数据类型，也是自动被推断出来的。目前，Spark SQL仅支持自动推断出数字类型和字符串类型。有时，用户也许不希望Spark SQL自动推断分区列的数据类型。
此时只要设置一个配置即可， spark.sql.sources.partitionColumnTypeInference.enabled，默认为true，即自动推断分区列的类型，设置为false，即不会自动推断类型。
禁止自动推断分区列的类型时，所有分区列的类型，就统一默认都是String。

案例：自动推断用户数据的性别和国家

2、java案例实现

##创建hdfs目录，上传文件
##创建了一个users目录，之下又创建了性别=男，国家=US两个目录
[root@spark1 sql]# hdfs dfs -mkdir /spark-study/users
[root@spark1 sql]# hdfs dfs -mkdir /spark-study/users/gender=male
[root@spark1 sql]# hdfs dfs -mkdir /spark-study/users/gender=male/country=US
[root@spark1 sql]# hdfs dfs -put users.parquet /spark-study/users/gender=male/country=US

--------------
package cn.spark.study.sql;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.SQLContext;

public class ParquetPartitionDiscovery {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setAppName("ParquetPartitionDiscovery");
        JavaSparkContext sc = new JavaSparkContext();
        SQLContext sqlConf = new SQLContext(sc);

        DataFrame usersDF = sqlConf.read().parquet("hdfs://spark1:9000/spark-study/users/gender=male/country=US/users.parquet");

        usersDF.printSchema();
        usersDF.show();

    }

}

##打包、上传

##运行脚本
[root@spark1 sql]# cat ParquetPartitionDiscovery.sh
/usr/local/spark-1.5.1-bin-hadoop2.4/bin/spark-submit \
--class cn.spark.study.sql.ParquetPartitionDiscovery \
--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 \

##结果
##可见，已经自动推断出了性别=男，国家=US两个分区，并加到了字段中
+------+--------------+----------------+------+-------+
|  name|favorite_color|favorite_numbers|gender|country|
+------+--------------+----------------+------+-------+
|Alyssa|          null|  [3, 9, 15, 20]|  male|     US|
|   Ben|           red|              []|  male|     US|
+------+--------------+----------------+------+-------+

二、合并元数据

1、概述

如同ProtocolBuffer，Avro，Thrift一样，Parquet也是支持元数据合并的。用户可以在一开始就定义一个简单的元数据，然后随着业务需要，逐渐往元数据中添加更多的列。
在这种情况下，用户可能会创建多个Parquet文件，有着多个不同的但是却互相兼容的元数据。Parquet数据源支持自动推断出这种情况，并且进行多个Parquet文件的元数据的合并。

因为元数据合并是一种相对耗时的操作，而且在大多数情况下不是一种必要的特性，从Spark 1.5.0版本开始，默认是关闭Parquet文件的自动合并元数据的特性的。
可以通过以下两种方式开启Parquet数据源的自动合并元数据的特性：
1、读取Parquet文件时，将数据源的选项，mergeSchema，设置为true
2、使用SQLContext.setConf()方法，将spark.sql.parquet.mergeSchema参数设置为true

案例：合并学生的基本信息，和成绩信息的元数据

2、scala案例实现

package cn.spark.study.sql

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
import org.apache.spark.sql.SaveMode

object ParquetMergeSchema {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("ParquetMergeSchema")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)

    import sqlContext.implicits._

    // 创建一个DataFrame，作为学生的基本信息，并写入一个parquet文件中
    // toSeq转换为 Seq; Seq是列表，适合存有序重复数据，进行快速插入/删除元素等场景
    // sc.parallelize: 创建并行集合，2：指定了将数据集切分为2份
    val studentWithNameAge = Array(("leo", 30), ("jack", 26)).toSeq
    val studentWithNameAgeDF = sc.parallelize(studentWithNameAge, 2).toDF("name", "age")
    studentWithNameAgeDF.save("hdfs://spark1:9000/spark-study/students", "parquet", SaveMode.Append)

    // 创建第二个DataFrame，作为学生的成绩信息，并写入一个parquet文件中
    val studentWithNameGrade = Array(("tom", "A"), ("marry", "B")).toSeq
    val studentWithNameGradeDF = sc.parallelize(studentWithNameGrade, 2).toDF("name", "grade")
    studentWithNameGradeDF.save("hdfs://spark1:9000/spark-study/students", "parquet", SaveMode.Append)

    // 首先，第一个DataFrame和第二个DataFrame的元数据肯定是不一样的
    // 一个是包含了name和age两个列，一个是包含了name和grade两个列
    // 所以， 这里期望的是，读取出来的表数据，自动合并两个文件的元数据，出现三个列，name、age、grade

    // 用mergeSchema的方式，读取students表中的数据，进行元数据的合并
    val students = sqlContext.read.option("mergeSchema", "true")
      .parquet("hdfs://spark1:9000/spark-study/students")

    students.printSchema()
    students.show()

  }
}

##打包--上传--运行

##运行脚本
[root@spark1 sql]# cat ParquetMergeSchema.sh
/usr/local/spark-1.5.1-bin-hadoop2.4/bin/spark-submit \
--class cn.spark.study.sql.ParquetMergeSchema \
--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 \

##结果，两个DataFrame元数据已合并
+-----+----+-----+
| name| age|grade|
+-----+----+-----+
|  leo|  30| null|
| jack|  26| null|
|marry|null|    B|
|  tom|null|    A|
+-----+----+-----+

3、java案例实现

package cn.spark.study.sql;

import java.util.ArrayList;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
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.RowFactory;
import org.apache.spark.sql.SQLContext;
import org.apache.spark.sql.SaveMode;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;

public class ParquetMergeSchema {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setAppName("ParquetMergeSchemaJava").setMaster("local");
        JavaSparkContext sparkContext = new JavaSparkContext(conf);
        SQLContext sqlContext = new SQLContext(sparkContext);

        // 创建一个DataFrame，作为学生的基本信息，并写入一个parquet文件中
        List<String> studentWithNameAndAge = new ArrayList<String>();
        studentWithNameAndAge.add("tom,18");
        studentWithNameAndAge.add("jarry,17");
        JavaRDD<String> studentWithNameAndAgeRDD = sparkContext.parallelize(studentWithNameAndAge, 2);
        JavaRDD<Row> studentWithNameAndAgeRowRDD = studentWithNameAndAgeRDD
            .map(new Function<String, Row>() {
            @Override
            public Row call(String v1) throws Exception {
                return RowFactory.create(v1.split(",")[0], Integer.parseInt(v1.split(",")[1]));
            }
        });

        List<StructField> fieldList = new ArrayList<StructField>();
        fieldList.add(DataTypes.createStructField("name", DataTypes.StringType, true));
        fieldList.add(DataTypes.createStructField("age", DataTypes.IntegerType, true));
        StructType structType = DataTypes.createStructType(fieldList);

        DataFrame studentWithNameAndAgeDF = sqlContext.createDataFrame(studentWithNameAndAgeRowRDD, structType);
        studentWithNameAndAgeDF.write().format("parquet").mode(SaveMode.Append)
            .save("hdfs://spark1:9000/spark-study/students");

        // 创建第二个DataFrame，作为学生的成绩信息，并写入一个parquet文件中
        List<String> studentWithNameAndGrade = new ArrayList<String>();
        studentWithNameAndGrade.add("leo,B");
        studentWithNameAndGrade.add("jack,A");
        JavaRDD<String> studentWithNameAndGradeRDD = sparkContext.parallelize(studentWithNameAndGrade, 2);
        JavaRDD<Row> studentWithNameAndGradeRowRDD = studentWithNameAndGradeRDD
            .map(new Function<String, Row>() {
            @Override
            public Row call(String v1) throws Exception {
                return RowFactory.create(v1.split(",")[0], v1.split(",")[1]);
            }
        });
        fieldList = new ArrayList<StructField>();
        fieldList.add(DataTypes.createStructField("name", DataTypes.StringType, true));
        fieldList.add(DataTypes.createStructField("grade", DataTypes.StringType, true));
        structType = DataTypes.createStructType(fieldList);

        DataFrame studentWithNameAndGradeDF = sqlContext.createDataFrame(studentWithNameAndGradeRowRDD, structType);
        studentWithNameAndGradeDF.write().format("parquet").mode(SaveMode.Append)
            .save("hdfs://spark1:9000/spark-study/students");

        // 首先，第一个DataFrame和第二个DataFrame的元数据肯定是不一样的吧
        // 一个是包含了name和age两个列，一个是包含了name和grade两个列
        // 所以， 这里期望的是，读取出来的表数据，自动合并两个文件的元数据，出现三个列，name、age、grade
        // 用mergeSchema的方式，读取students表中的数据，进行元数据的合并
        DataFrame df = sqlContext.read().option("mergeSchema", "true")
            .parquet("hdfs://spark1:9000/spark-study/students");
        df.schema();
        df.show();
    }
}