Čtení a zápis souborů Parquet

Apache Parquet je sloupcový formát souboru optimalizovaný pro analytické úlohy. Umožňuje dotazovacím modulům číst jenom sloupce, které jsou potřeba, a přeskočit irelevantní skupiny řádků. Parquet je základní formát úložiště pro Delta Lake(/delta/index.md), což je nejběžnější formát pro data uložená v Azure Databricks. Azure Databricks podporuje Parquet pro čtení i zápis pomocí Apache Sparku, včetně specifikace schématu, dělení a komprese zápisu.

Předpoklady

Azure Databricks nevyžaduje další konfiguraci pro použití souborů Parquet. K streamování souborů Parquet ale potřebujete Auto Loader.

Možnosti

K konfiguraci datových zdrojů Parquet použijte metody .option() a .options() objektů DataFrameReader a DataFrameWriter. Úplný seznam podporovaných možností najdete viz DataFrameReader možnosti Parquet a DataFrameWriter možnosti Parquet.

Usage

Následující příklady používají ukázkovou datovou sadu Wanderbricks k předvedení čtení a zápisu souborů Parquet pomocí rozhraní API datového rámce Sparku a SQL.

Čtení souborů Parquet pomocí SQL

Slouží read_files k dotazování souborů Parquet přímo z cloudového úložiště pomocí SQL bez vytvoření tabulky.

SELECT * FROM read_files(
  '/Volumes/<catalog>/<schema>/<volume>/reviews_parquet',
  format => 'parquet'
)

Čtení a zápis souborů Parquet

Následující příklady zapisují recenze Wanderbricks ve formátu Parquet, znovu je načtou do objektu DataFrame a ukazují režim přepsání.

Python

# Write wanderbricks reviews to Parquet format
df = spark.read.table("samples.wanderbricks.reviews")
df.write.format("parquet").save("/Volumes/<catalog>/<schema>/<volume>/reviews_parquet")

# Read a Parquet file into a DataFrame
df = spark.read.format("parquet").load("/Volumes/<catalog>/<schema>/<volume>/reviews_parquet")
display(df)

# Write with overwrite mode
df.write.format("parquet").mode("overwrite").save("/Volumes/<catalog>/<schema>/<volume>/reviews_parquet")

Scala

// Write wanderbricks reviews to Parquet format
val reviews = spark.read.table("samples.wanderbricks.reviews")
reviews.write.format("parquet").save("/Volumes/<catalog>/<schema>/<volume>/reviews_parquet")

// Read a Parquet file into a DataFrame
val df = spark.read.format("parquet").load("/Volumes/<catalog>/<schema>/<volume>/reviews_parquet")
df.show()

// Write with overwrite mode
df.write.format("parquet").mode("overwrite").save("/Volumes/<catalog>/<schema>/<volume>/reviews_parquet")

SQL

-- Write wanderbricks reviews to Parquet format
CREATE TABLE reviews_parquet
USING PARQUET
AS SELECT * FROM samples.wanderbricks.reviews;

SELECT * FROM reviews_parquet;

Zadání schématu

Při čtení souborů Parquet zadejte schéma, abyste se vyhnuli režii odvozování schématu. Například definujte schéma s poli review_id, rating a comment a načtěte reviews_parquet do objektu DataFrame.

Python

from pyspark.sql.types import StructType, StructField, StringType, IntegerType

schema = StructType([
    StructField("review_id", StringType(), True),
    StructField("rating", IntegerType(), True),
    StructField("comment", StringType(), True)
])

df = spark.read.format("parquet").schema(schema).load("/Volumes/<catalog>/<schema>/<volume>/reviews_parquet")
df.printSchema()
df.show()

Scala

import org.apache.spark.sql.types.{StructType, StructField, StringType, IntegerType}

val schema = StructType(Array(
  StructField("review_id", StringType, nullable = true),
  StructField("rating", IntegerType, nullable = true),
  StructField("comment", StringType, nullable = true)
))

val df = spark.read.format("parquet").schema(schema).load("/Volumes/<catalog>/<schema>/<volume>/reviews_parquet")
df.printSchema()
df.show()

SQL

-- Create a table with an explicit schema from Parquet files
CREATE TABLE reviews_parquet (
  review_id STRING,
  rating INT,
  comment STRING
)
USING PARQUET
OPTIONS (path "/Volumes/<catalog>/<schema>/<volume>/reviews_parquet");

SELECT * FROM reviews_parquet;

Zapisovat partitionované soubory Parquet

Zapište dělené soubory Parquet pro optimalizovaný výkon dotazů u velkých datových sad. Můžete například číst z samples.wanderbricks.bookings a zapisovat do bookings_parquet_partitioned, rozděleného podle year a month odvozených ze sloupce check_in.

Python

from pyspark.sql.functions import year, month

df = spark.read.table("samples.wanderbricks.bookings")
df_with_parts = df.withColumn("year", year("check_in")).withColumn("month", month("check_in"))
df_with_parts.write.format("parquet").partitionBy("year", "month").save("/Volumes/<catalog>/<schema>/<volume>/bookings_parquet_partitioned")

Scala

import org.apache.spark.sql.functions.{year, month}

val bookings = spark.read.table("samples.wanderbricks.bookings")
val bookingsWithParts = bookings.withColumn("year", year(col("check_in"))).withColumn("month", month(col("check_in")))
bookingsWithParts.write.format("parquet").partitionBy("year", "month").save("/Volumes/<catalog>/<schema>/<volume>/bookings_parquet_partitioned")

SQL

-- Write partitioned Parquet files by year and month
CREATE TABLE bookings_parquet_partitioned
USING PARQUET
PARTITIONED BY (year, month)
AS SELECT *, year(check_in) AS year, month(check_in) AS month
FROM samples.wanderbricks.bookings;

Dodatečné zdroje

• Co je Delta Lake v Azure Databricks?: Pokud potřebujete transakce ACID, vynucení schématu nebo cestování v čase vedle sloupcového výkonu formátu Parquet, Delta Lake je doporučený formát pro data uložená v prostředí Azure Databricks.