博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
parquet列式文件实战
阅读量:5833 次
发布时间:2019-06-18

本文共 5659 字,大约阅读时间需要 18 分钟。

前言

列式文件,顾名思义就是按列存储到文件,和行式存储文件对应。保证了一列在一个文件中是连续的。下面从parquet常见术语,核心schema和文件结构来深入理解。最后通过java api完成write和read。

 

术语

block

parquet层面和row group是一个意思

 

row group

逻辑概念,用于对row进行分区。由数据集中每个column的column chunk组成。是读写过程中的缓存单元,一般在hdfs上推荐一个block为1GB,一个HDFS文件1个bolock

 

column chunk

某个column的所有数据被称为column chunk,存在与row group,并保证在文件中是连续的

 

page

多个column chunk之间用page分开,也就是说一个page只会包含一个column的数据,一个page是一个独立的单元(可以被编码或者压缩)

 

dictionary page

每个page之前都可以选择是否需要dictionary page。dictionary page记录了该page所有不同的值。这可以增强处理速度提高压缩率。

 

总结

一个文件由多个row group组成,一个row group包括了多个column chunk,一个column chunck就是某个column的所有数据集, 被分割成多个page,一个page是最小的处理单元,可以被编码或者压缩。

 

schema

每种文件都有自己特有的规则,像csv文件,是用分隔符分隔开的一个个列。parquet文件也有自己独特的schema格式。

这是一个parquet文件的schema例子,对应的api是MessageType

message person{  required binary name (UTF8);  required int age;  repeated group family{    required binary father (UTF8);    required binary mother (UTF8);    optional binary sister (UTF8);  }}

 

message

固定声明,就像结构体中的struct一样。

 

person

message name,可以粗暴的理解为表名,因为里面都是field。

 

optional,required,repeated

这是三种field的关键字,分别表示可选,必选,可重复选

可选和必选类似数据库中的nullable,可重复选是为了支持复杂的嵌套结构。

 

field类型

目前parquet支持int32,int64,int96(有些系统会把时间戳存成int96如老版本hive),float,double,boolean,binary,fixed_len_byte_array。

参考类org.apache.parquet.schema. PrimitiveType.PrimitiveTypeName

 

UTF8

field的原始类型(Original Type),可以辅助field的type进行细粒度的类型判断。

参考类 org.apache.parquet.schema. OriginalType

 

group

嵌套结构声明,类似json对象

 

schema&数据

schema有了,那如何把schema和数据关联起来,也就是说可以通过schema构建或者解析出相应的数据。那就引出了嵌套关系,definition level和repetitional level。用于定位数据到底出现在嵌套中(如果有嵌套的话)的哪一层。值得注意的是,嵌套关系是针对列而言的,不同列有各自的嵌套关系。

 

definition level

optional字段定位,如果实际没有数据就为0,有数据就为1。涉及到嵌套optional,那么可以这么理解,如果从某一层开始没有该数据,那么该层之前肯定是有数据的,该层之后肯定没有数据。举个简单的例子

message ExampleDefinitionLevel {  optional group a {    optional group b {      optional string c;    }  }}

这个schema对应的definition level所有的可能性如表所示

 

 

repetition level

repeated字段定位,如果在嵌套中某一层出现了值,那么就记录该层。那一个例子来说:

message AddressBook {  required string owner;  repeated string ownerPhoneNumbers;  repeated group contacts {    required string name;    optional string phoneNumber;  }}

针对不同的列,defnition level和repetition level的最大值如表

 

 

文件结构

结构图

 

 

详细

一个parquet文件由3部分组成,header,blocks,footer。类似一般文档中的页眉,正文,页脚。

 

header

只包含4个字节的魔数,PAR1

 

blocks

block定义参考“术语”

 

footer

记录了该parquet文件正文所有metadata,

 

文件物理格式

通过 cat -v 查看一个parquet,会看到很多的non-printable字符,比如:^U^@^U^P^U^P,^U^B^U^@^

这些字符其实是可以和ascii互相映射,比如^@就是ascii中的0,详细可以看这篇文档

其实就是八进制的ascii,小于100的+100,大于100的减100。

 

所有的列,包括嵌套结构,例如test.c1和test.c2属于两个列,都是连续存储在parquet文件中。

 

参考资料

// twitter对parquet的概述

// parquet的github

// 很详细的parquet文件解析

 

coding

 

public static MessageType getMessageTypeFromCode(){    MessageType messageType =            Types.buildMessage()            .required(PrimitiveType.PrimitiveTypeName.BINARY).as(OriginalType.UTF8).named("id")            .required(PrimitiveType.PrimitiveTypeName.BINARY).as(OriginalType.UTF8).named("name")            .required(PrimitiveType.PrimitiveTypeName.INT32).named("age")            .requiredGroup()              .required(PrimitiveType.PrimitiveTypeName.BINARY).as(OriginalType.UTF8).named("test1")              .required(PrimitiveType.PrimitiveTypeName.BINARY).as(OriginalType.UTF8).named("test2")              .named("group1")            .named("trigger");    return messageType;}public static void writeParquet(String name){    // 1. 声明parquet的messageType    MessageType messageType = getMessageTypeFromCode();    System.out.println(messageType.toString());    // 2. 声明parquetWriter    Path path = new Path("/tmp/etl/"+ name);    Configuration configuration = new Configuration();    GroupWriteSupport.setSchema(messageType, configuration);    GroupWriteSupport writeSupport = new GroupWriteSupport();    // 3. 写数据    ParquetWriter
writer = null; try { writer = new ParquetWriter
(path, ParquetFileWriter.Mode.CREATE, writeSupport, CompressionCodecName.UNCOMPRESSED, 128*1024*1024, 5*1024*1024, 5*1024*1024, ParquetWriter.DEFAULT_IS_DICTIONARY_ENABLED, ParquetWriter.DEFAULT_IS_VALIDATING_ENABLED, ParquetWriter.DEFAULT_WRITER_VERSION, configuration); Random random = new Random(); for(int i=0; i<10; i++){ // 4. 构建parquet数据,封装成group Group group = new SimpleGroupFactory(messageType).newGroup(); group.append("name", i+"@qq.com") .append("id",i+"@id") .append("age",i) .addGroup("group1") .append("test1", "test1"+i) .append("test2","test2"+i); writer.write(group); } } catch (IOException e) { e.printStackTrace(); } finally { if(writer != null){ try { writer.close(); } catch (IOException e) { e.printStackTrace(); } } }}public static void readParquet(String name){ // 1. 声明readSupport GroupReadSupport groupReadSupport = new GroupReadSupport(); Path path = new Path("/tmp/etl/"+name); // 2.通过parquetReader读文件 ParquetReader
reader = null; try { reader = ParquetReader.builder(groupReadSupport, path).build(); Group group = null; while ((group = reader.read()) != null){ System.out.println(group); } } catch (IOException e) { e.printStackTrace(); } finally { if(reader != null){ try { reader.close(); } catch (IOException e) { e.printStackTrace(); } } }}

 

转载于:https://www.cnblogs.com/ulysses-you/p/7985240.html

你可能感兴趣的文章
.net excel利用NPOI导入oracle
查看>>
$_SERVER['SCRIPT_FLENAME']与__FILE__
查看>>
html5纲要,细谈HTML 5新增的元素
查看>>
Android应用集成支付宝接口的简化
查看>>
[分享]Ubuntu12.04安装基础教程(图文)
查看>>
django 目录结构修改
查看>>
win8 关闭防火墙
查看>>
CSS——(2)与标准流盒模型
查看>>
C#中的Marshal
查看>>
linux命令:ls
查看>>
Using RequireJS in AngularJS Applications
查看>>
【SAP HANA】关于SAP HANA中带层次结构的计算视图Cacultation View创建、激活状况下在系统中生成对象的研究...
查看>>
iOS 解决UITabelView刷新闪动
查看>>
CentOS 7 装vim遇到的问题和解决方法
查看>>
【ros】Create a ROS package:package dependencies报错
查看>>
通过容器编排和服务网格来改进Java微服务的可测性
查看>>
使用《Deep Image Prior》来做图像复原
查看>>
Linux基础命令---rmdir
查看>>
Squid 反向代理服务器配置
查看>>
Java I/O操作
查看>>