七十年代时，有一长辈连练铁砂掌，功夫成了之后，可以掌断五砖，凌空碎砖，威风得不得了。时至八十年代，只能掌断三砖。到九十年代只能一砖一砖的断了。他说，一直以为功力退步了，后来才知道烧砖的配方改了。

数据压缩

前言

前两篇将了spark的部署和一些简单的实例Spark初体验(步骤超详细)和Spark再体验之springboot整合spark。我相信前两篇会对刚入门的sparker来说会有一些启发。

今天在使用spark去加载200万条数据的时候，服务器提示内存分配不足(服务器配置较低)，这里我就在想有没有什么方法将数据压缩压缩再压缩呢？网上查资料，问他人，最后看到并使用了Apache Parquet官网，这里简单的介绍一下parquet

Parquet

Parquet是面向分析型业务的列式存储格式,由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目.

当时Twitter的日增数据量达到压缩之后的100TB+，存储在HDFS上，工程师会使用多种计算框架(例如MapReduce, Hive, Pig等)对这些数据做分析和挖掘；日志结构是复杂的嵌套数据类型，例如一个典型的日志的schema有87列，嵌套了7层。所以需要设计一种列式存储格式，既能支持关系型数据(简单数据类型)，又能支持复杂的嵌套类型的数据，同时能够适配多种数据处理框架。

通过阅读这篇文章，相信你会对parquet的优点有所了解。

网上关于它的介绍和算法的讲解一大推，简单的讲使用parquet存储数据有以下优点：

压缩数据

不失真

减少IO吞吐量

高效的查询

更重要的是spark和parquet简直是绝配，犹如小葱拌豆腐、京酱肉丝陪面皮、手擀面配大蒜。。。

示例

老规矩，先上pom

...

1.7.0

...

org.apache.parquet

parquet-common

${parquet.version}

org.apache.parquet

parquet-encoding

${parquet.version}

org.apache.parquet

parquet-column

${parquet.version}

org.apache.parquet

parquet-hadoop

${parquet.version}

下面使用spark对mysql的一张表做parquet的读写操作

将整张表的数据存储为parquet格式的文件

static String url = "jdbc:mysql://localhost:3306/world?" +

"useUnicode=true&characterEncoding=UTF-8" +

"&zeroDateTimeBehavior=convertToNull";

static String table = "jd_trainingdata";

static String username = "root";

static String passwd = "root";

private static void parquetWrite() {

SparkConf conf = new SparkConf()

.setAppName("test")

.setMaster("local")

.set("spark.executor.memory", "8g")

.set("spark.rdd.compress true","true")

.set("spark.testing.memory", "2147480000");

JavaSparkContext sc = new JavaSparkContext(conf);

SQLContext sqlContext = new SQLContext(sc);

sqlContext.setConf("spark.sql.dialect", "sql");

Properties connectionProperties = new Properties();

connectionProperties.put("driver","com.mysql.jdbc.Driver");

connectionProperties.put("user", username);

connectionProperties.put("password", passwd);

DataFrame vectorTable = sqlContext.read().jdbc(url, table,connectionProperties);

vectorTable.saveAsParquetFile("jdData");// 在项目里生成文件，当然你也可以写绝对路径

}

结果为

parquet包含的文件

关于内容我没有去深究(官网有详细的解释说明)，但是能看得出文件是成功的生成了~

那么接下来看看如何去读parquet的文件内容

private static void parquetRead() {

SparkConf conf = new SparkConf()

.setAppName("test")

.setMaster("local[4]")

.set("spark.executor.memory", "8g")

.set("spark.rdd.compress true","true")

.set("spark.testing.memory", "2147480000");

JavaSparkContext sc = new JavaSparkContext(conf);

SQLContext sqlContext = new SQLContext(sc);

sqlContext.parquetFile("jdData").registerTempTable("jdData");

DataFrame dbaClos = sqlContext.sql("select * from jdData where Title = 'DBA' and Title <> '' ");

dbaClos.show();

}

运行日志

日志

当你拿到sqlContext的时候，你就可以使用spark提供的sql去查找你想要的数据，要提醒一下， spark支持的sql跟mysql，oracle的不太一样，详细参考官网帮助文档

后续

这里说一下我为什么使用parquet，我现在测试服务器的内存是16g，项目在启动的时候需要加载其他的模型、数据等文件，而且数据虽然才有220多万条，但是存储的内容比较多，所以就会导致内存不足，使用了parquet之后，数据大小直接被压缩为原来的三分之一！！！而且spark对parquet文件的支持近乎完美，所以使用parquet之后，我完全可以不用考虑内存分配不足的问题了。