在java中创建镶木地板文件

Question

有没有办法从 java 创建 parquet 文件？

我在内存中有数据（java 类），我想将其写入 parquet 文件，以便稍后从 apache-drill 中读取。

有没有一种简单的方法可以做到这一点，比如将数据插入到 sql 表中？

明白了

感谢您的帮助。

结合答案和这个link，我能够创建一个镶木地板文件并用钻头读回。

Answer 1

ParquetWriter 的构造函数已弃用（1.8.1），但 ParquetWriter 本身已弃用，您仍然可以通过在其中扩展抽象 Builder 子类来创建 ParquetWriter。

这里是镶木地板创造者自己的一个例子ExampleParquetWriter：

  public static class Builder extends ParquetWriter.Builder<Group, Builder> {
    private MessageType type = null;
    private Map<String, String> extraMetaData = new HashMap<String, String>();

    private Builder(Path file) {
      super(file);
    }

    public Builder withType(MessageType type) {
      this.type = type;
      return this;
    }

    public Builder withExtraMetaData(Map<String, String> extraMetaData) {
      this.extraMetaData = extraMetaData;
      return this;
    }

    @Override
    protected Builder self() {
      return this;
    }

    @Override
    protected WriteSupport<Group> getWriteSupport(Configuration conf) {
      return new GroupWriteSupport(type, extraMetaData);
    }

  }

如果您不想使用 Group 和 GroupWriteSupport（捆绑在 Parquet 中，但仅用作数据模型实现的示例），您可以使用 Avro、Protocol Buffers 或 Thrift 内存数据模型。下面是一个使用 Avro 编写 Parquet 的示例：

try (ParquetWriter<GenericData.Record> writer = AvroParquetWriter
        .<GenericData.Record>builder(fileToWrite)
        .withSchema(schema)
        .withConf(new Configuration())
        .withCompressionCodec(CompressionCodecName.SNAPPY)
        .build()) {
    for (GenericData.Record record : recordsToWrite) {
        writer.write(record);
    }
}   

您将需要这些依赖项：

<dependency>
    <groupId>org.apache.parquet</groupId>
    <artifactId>parquet-avro</artifactId>
    <version>1.8.1</version>
</dependency>

<dependency>
    <groupId>org.apache.parquet</groupId>
    <artifactId>parquet-hadoop</artifactId>
    <version>1.8.1</version>
</dependency>

完整示例here。

Answer 2

几种可能的方法：

• 使用 Java Parquet 库直接从您的代码中编写 Parquet。
• 使用 JDBC 连接到 Hive 或 Impala，并使用 SQL 插入数据。请注意，如果您一一插入行，则会为每个单独的记录生成单独的文件，并且会完全破坏性能。您应该一次插入 很多 行，这并不简单，所以我不推荐这种方法。
• 将数据保存到分隔文本文件，然后在 Hive 或 Impala 中执行以下步骤：
  • 在文本文件上定义一个表以允许 Hive/Impala 读取数据。让我们将此表称为text_table。有关详细信息，请参阅 Impala 的 Create Table Statement。
  • 创建具有相同列但指定 Parquet 作为其文件格式的新表。让我们将此表称为parquet_table。
  • 最后通过insert into parquet_table select * from text_table 将文本文件中的所有数据复制到 parquet 表中。