通过Spark读取保存在文件夹中的所有拼图文件

Question

我有一个包含拼图文件的文件夹。如下所示：

scala> val df = sc.parallelize(List(1,2,3,4)).toDF()
df: org.apache.spark.sql.DataFrame = [value: int]

scala> df.write.parquet("/tmp/test/df/1.parquet")

scala> val df = sc.parallelize(List(5,6,7,8)).toDF()
df: org.apache.spark.sql.DataFrame = [value: int]

scala> df.write.parquet("/tmp/test/df/2.parquet")

当我去读取df文件夹中的所有拼图文件时，在保存数据帧后，它给出了错误。

scala> val read = spark.read.parquet("/tmp/test/df")
org.apache.spark.sql.AnalysisException: Unable to infer schema for Parquet. It must be specified manually.;
  at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$8.apply(DataSource.scala:189)
  at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$8.apply(DataSource.scala:189)
  at scala.Option.getOrElse(Option.scala:121)
  at org.apache.spark.sql.execution.datasources.DataSource.org$apache$spark$sql$execution$datasources$DataSource$$getOrInferFileFormatSchema(DataSource.scala:188)
  at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:387)
  at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:152)
  at org.apache.spark.sql.DataFrameReader.parquet(DataFrameReader.scala:441)
  at org.apache.spark.sql.DataFrameReader.parquet(DataFrameReader.scala:425)
  ... 48 elided

我知道我可以通过给出完整路径来读取拼图文件，但如果有一种方法可以读取文件夹中的所有拼图文件，那就更好了。

Answer 1

Spark不会像你想的那样写/读拼花。

它使用Hadoop库来读/写分区的拼图文件。

因此，您的第一个拼图文件位于路径/tmp/test/df/1.parquet/下，其中1.parquet是一个目录。这意味着当从parquet中读取时，您需要提供parquet目录的路径，或者如果是一个文件，则提供路径。

val df = spark.read.parquet("/tmp/test/df/1.parquet/")

我建议您阅读官方文档以了解更多详细信息。[参见SQL Programming Guide - Parquet Files]

编辑：

你一定是在找这样的东西：

scala> sqlContext.range(1,100).write.save("/tmp/test/df/1.parquet")

scala> sqlContext.range(100,500).write.save("/tmp/test/df/2.parquet")

scala> val df = sqlContext.read.load("/tmp/test/df/*")
// df: org.apache.spark.sql.DataFrame = [id: bigint]

scala> df.show(3)
// +---+
// | id|
// +---+
// |400|
// |401|
// |402|
// +---+
// only showing top 3 rows

scala> df.count
// res3: Long = 499

您还可以在文件路径URI中使用通配符。

您可以提供多个文件路径，如下所示：

scala> val df2 = sqlContext.read.load("/tmp/test/df/1.parquet","/tmp/test/df/2.parquet")
// df2: org.apache.spark.sql.DataFrame = [id: bigint]

scala> df2.count
// res5: Long = 499

Answer 2

您在/tmp/test/df/1.parquet和/tmp/test/df/2.parquet上编写的文件不是输出文件，它们是输出目录。所以，你可以读到镶木地板是

val data = spark.read.parquet("/tmp/test/df/1.parquet/")

Answer 3

你可以将数据写入文件夹而不是单独的Spark“文件”(实际上是文件夹) 1.parquet，2.parquet等。如果不设置文件名而只设置路径，Spark会将文件作为真实文件(而不是文件夹)放入文件夹中，并自动命名这些文件。

df1.write.partitionBy("countryCode").format("parquet").mode("overwrite").save("/tmp/data1/")
df2.write.partitionBy("countryCode").format("parquet").mode("append").save("/tmp/data1/")
df3.write.partitionBy("countryCode").format("parquet").mode("append").save("/tmp/data1/")

此外，我们还可以从data文件夹中的所有文件中读取数据：

val df = spark.read.format("parquet").load("/tmp/data1/")