使用Spark将CSV转换为ORC

Question

我看到Hortonworks的这篇博客文章，通过数据源支持Spark 1.2中的ORC。

它涵盖了1.2版本，它解决了从对象创建ORC文件的问题，而不是从csv到ORC的转换。我还看到了在Hive中进行这些转换的方法。

请有人提供一个简单的例子，说明如何从Spark 1.6+加载纯csv文件，将其保存为ORC，然后将其作为数据帧加载到Spark中。

Answer 1

我将放弃CSV阅读部分，因为这个问题以前已经回答过很多次了，再加上网上有很多关于这个目的的教程，再写一遍就太过分了。如果你愿意，请在这里查看！

ORC支持：

关于ORC，它们得到HiveContext的支持。

HiveContext是Spark SQL执行引擎的一个实例，它与存储在Hive中的数据集成。SQLContext提供了Spark SQL支持的一个子集，它不依赖于Hive，但ORCs、Window函数和其他功能依赖于HiveContext，后者从类路径上的Hive-site.xml读取配置。

您可以定义HiveContext如下：

import org.apache.spark.sql.hive.orc._
import org.apache.spark.sql._
val hiveContext = new org.apache.spark.sql.hive.HiveContext(sc)

如果您使用的是spark shell，则可以直接使用sqlContext来实现此目的，而无需创建hiveContext，因为默认情况下，sqlContext是作为hiveContext创建的。

在下面的SQL语句末尾指定as orc可确保配置单元表以ORC格式存储。例如：

val df : DataFrame = ???
df.registerTempTable("orc_table")
val results = hiveContext.sql("create table orc_table (date STRING, price FLOAT, user INT) stored as orc")

保存为ORC文件

让我们将DataFrame持久化到我们之前创建的配置单元ORC表中。

results.write.format("orc").save("data_orc")

要将结果存储在配置单元目录而不是用户目录中，请使用此路径而不是/apps/hive/warehouse/data_orc（来自hive default.xml的配置单元仓库路径）