parquet 合並元數據

合並元數據：兩個數據集，有着一部分相同的列，將他們合並成一個數據集時merge的過程。

合並的規則：相同的列，在新的數據集中，是通用的列，

各自不同的列，也作為新的數據集的列。

 

Spark將數據寫入到HDFS中的parquet為例： 

准備連個json文件(StudentInfo1.json,StudentInfo2.json)，上傳到HDFS中： 

 

 

spark程序代碼如下：

public   static   void  main(String[] args) {

SparkConf conf = new SparkConf() 
            .setAppName("MergeSchema");//.setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        SQLContext sqlContext = new SQLContext(sc);
        
        DataFrame studentInfo1 = sqlContext.read().format("json").load("hdfs://spark1:9000/StudentInfo1.json");
        studentInfo1.write().mode(SaveMode.Append).save("hdfs://spark1:9000/StudentInfo.parquet");
        
        DataFrame studentInfo2 = sqlContext.read().format("json").load("hdfs://spark1:9000/StudentInfo2.json");
        studentInfo2.write().mode(SaveMode.Append).save("hdfs://spark1:9000/StudentInfo.parquet");
        
        DataFrame studentInfo =sqlContext.read().option("mergeSchema", "true")
                .parquet("hdfs://spark1:9000/StudentInfo.parquet");
        
        studentInfo.printSchema();
        
        studentInfo.show();
    }

 

運行后的輸出為：