java 读写Parquet格式的数据的示例代码

作者:Nucky_yang 时间:2022-09-16 11:09:47 

本文介绍了java 读写Parquet格式的数据,分享给大家,具体如下:


import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
import java.util.Random;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.log4j.Logger;
import org.apache.parquet.example.data.Group;
import org.apache.parquet.example.data.GroupFactory;
import org.apache.parquet.example.data.simple.SimpleGroupFactory;
import org.apache.parquet.hadoop.ParquetReader;
import org.apache.parquet.hadoop.ParquetReader.Builder;
import org.apache.parquet.hadoop.ParquetWriter;
import org.apache.parquet.hadoop.example.GroupReadSupport;
import org.apache.parquet.hadoop.example.GroupWriteSupport;
import org.apache.parquet.schema.MessageType;
import org.apache.parquet.schema.MessageTypeParser;

public class ReadParquet {
 static Logger logger=Logger.getLogger(ReadParquet.class);
 public static void main(String[] args) throws Exception {

//    parquetWriter("test\\parquet-out2","input.txt");
   parquetReaderV2("test\\parquet-out2");
 }

static void parquetReaderV2(String inPath) throws Exception{
   GroupReadSupport readSupport = new GroupReadSupport();
   Builder<Group> reader= ParquetReader.builder(readSupport, new Path(inPath));
   ParquetReader<Group> build=reader.build();
   Group line=null;
   while((line=build.read())!=null){
Group time= line.getGroup("time", 0);
//通过下标和字段名称都可以获取
/*System.out.println(line.getString(0, 0)+"\t"+
line.getString(1, 0)+"\t"+
time.getInteger(0, 0)+"\t"+
time.getString(1, 0)+"\t");*/
System.out.println(line.getString("city", 0)+"\t"+
line.getString("ip", 0)+"\t"+
time.getInteger("ttl", 0)+"\t"+
time.getString("ttl2", 0)+"\t");
//System.out.println(line.toString());
   }
   System.out.println("读取结束");
 }
 //新版本中new ParquetReader()所有构造方法好像都弃用了,用上面的builder去构造对象
 static void parquetReader(String inPath) throws Exception{
   GroupReadSupport readSupport = new GroupReadSupport();
   ParquetReader<Group> reader = new ParquetReader<Group>(new Path(inPath),readSupport);
   Group line=null;
   while((line=reader.read())!=null){
    System.out.println(line.toString());
   }
   System.out.println("读取结束");

}
 /**
  *
  * @param outPath输出Parquet格式
  * @param inPath 输入普通文本文件
  * @throws IOException
  */
 static void parquetWriter(String outPath,String inPath) throws IOException{
   MessageType schema = MessageTypeParser.parseMessageType("message Pair {\n" +
       " required binary city (UTF8);\n" +
       " required binary ip (UTF8);\n" +
       " repeated group time {\n"+
       " required int32 ttl;\n"+
        " required binary ttl2;\n"+
       "}\n"+
      "}");
   GroupFactory factory = new SimpleGroupFactory(schema);
   Path path = new Path(outPath);
   Configuration configuration = new Configuration();
   GroupWriteSupport writeSupport = new GroupWriteSupport();
   writeSupport.setSchema(schema,configuration);
   ParquetWriter<Group> writer = new ParquetWriter<Group>(path,configuration,writeSupport);
//把本地文件读取进去,用来生成parquet格式文件
   BufferedReader br =new BufferedReader(new FileReader(new File(inPath)));
   String line="";
   Random r=new Random();
   while((line=br.readLine())!=null){
     String[] strs=line.split("\\s+");
     if(strs.length==2) {
       Group group = factory.newGroup()
           .append("city",strs[0])
           .append("ip",strs[1]);
       Group tmpG =group.addGroup("time");
       tmpG.append("ttl", r.nextInt(9)+1);
       tmpG.append("ttl2", r.nextInt(9)+"_a");
       writer.write(group);
     }
   }
   System.out.println("write end");
   writer.close();
 }
}

说下schema(写Parquet格式数据需要schema,读取的话"自动识别"了schema)


/*
* 每一个字段有三个属性:重复数、数据类型和字段名,重复数可以是以下三种:
*     required(出现1次)
*     repeated(出现0次或多次)
*     optional(出现0次或1次)
* 每一个字段的数据类型可以分成两种:
*     group(复杂类型)
*     primitive(基本类型)
* 数据类型有
* INT64, INT32, BOOLEAN, BINARY, FLOAT, DOUBLE, INT96, FIXED_LEN_BYTE_ARRAY
*/

这个repeated和required 不光是次数上的区别,序列化后生成的数据类型也不同,比如repeqted修饰 ttl2 打印出来为 WrappedArray([7,7_a]) 而 required修饰 ttl2 打印出来为 [7,7_a]除了用MessageTypeParser.parseMessageType类生成MessageType 还可以用下面方法

(注意这里有个坑--spark里会有这个问题--ttl2这里 as(OriginalType.UTF8) 和 required binary city (UTF8)作用一样,加上UTF8,在读取的时候可以转为StringType,不加的话会报错 [B cannot be cast to java.lang.String  )


/*MessageType schema = MessageTypeParser.parseMessageType("message Pair {\n" +
       " required binary city (UTF8);\n" +
       " required binary ip (UTF8);\n" +
       "repeated group time {\n"+
       "required int32 ttl;\n"+
       "required binary ttl2;\n"+
       "}\n"+
       "}");*/

//import org.apache.parquet.schema.Types;
MessageType schema = Types.buildMessage()
     .required(PrimitiveTypeName.BINARY).as(OriginalType.UTF8).named("city")
     .required(PrimitiveTypeName.BINARY).as(OriginalType.UTF8).named("ip")
     .repeatedGroup().required(PrimitiveTypeName.INT32).named("ttl")
             .required(PrimitiveTypeName.BINARY).as(OriginalType.UTF8).named("ttl2")
             .named("time")
    .named("Pair");

解决 [B cannot be cast to java.lang.String 异常:

1.要么生成parquet文件的时候加个UTF8
2.要么读取的时候再提供一个同样的schema类指定该字段类型,比如下面:

java 读写Parquet格式的数据的示例代码

maven依赖(我用的1.7)


<dependency>
 <groupId>org.apache.parquet</groupId>
 <artifactId>parquet-hadoop</artifactId>
 <version>1.7.0</version>
</dependency>

来源:http://www.cnblogs.com/yanghaolie/p/7156372.html

标签:java,parquet
0
投稿

猜你喜欢

  • Java中线程的等待与唤醒_动力节点Java学院整理

    2023-07-17 04:03:05
  • Java基础题新手练习(二)

    2022-03-10 00:11:57
  • C#读写文本文件(.txt)的方法实例

    2023-12-23 21:33:57
  • Jetpack Compose 的新型架构 MVI使用详解

    2023-01-24 14:53:26
  • java图片验证码生成教程详解

    2021-11-04 13:22:14
  • C#实现抓取和分析网页类实例

    2023-09-21 04:27:32
  • 让Java后台MySQL数据库能够支持emoji表情的方法

    2022-12-30 04:24:45
  • Java实现马踏棋盘算法

    2023-03-05 04:30:46
  • C# for循环的经典案例集锦

    2022-11-18 20:01:53
  • 基于C#的socket编程的TCP异步的实现代码

    2023-04-13 06:42:05
  • response文件流输出文件名中文不显示的解决

    2023-02-06 19:41:02
  • @Async导致controller 404及失效原因解决分析

    2021-12-17 01:51:44
  • android 控件同时监听单击和双击实例

    2022-11-16 15:45:33
  • Android开发手册TextInputLayout样式使用示例

    2023-10-16 11:03:12
  • JavaEE开发之SpringMVC中的自定义消息转换器与文件上传

    2023-11-24 19:36:02
  • Spring AOP的概念与实现过程详解

    2023-02-17 02:54:12
  • 关于Java整合RocketMQ实现生产消费详解

    2022-12-31 07:44:34
  • 全面理解java中的异常处理机制

    2023-10-26 04:08:20
  • Flutter绘图组件之CustomPaint使用详解

    2021-12-13 01:26:06
  • 解决Spring国际化文案占位符失效问题的方法

    2022-10-20 23:42:23
  • asp之家 软件编程 m.aspxhome.com