我正在尝试将java中的数据写入apache parquet。到目前为止,我所做的是通过这里的示例使用apache箭头:https://arrow.apache.org/cookbook/java/schema.html#creating-fields并创建一个箭头格式的数据集。
问题是,之后怎么写进parque呢?还有,是不是需要用apache箭头把数据输出成parque文件?还是直接用apache parque把数据序列化,然后输出成parque文件?
我做了什么:
try (BufferAllocator allocator = new RootAllocator()) {
Field name = new Field("name", FieldType.nullable(new ArrowType.Utf8()), null);
Field age = new Field("age", FieldType.nullable(new ArrowType.Int(32, true)), null);
Schema schemaPerson = new Schema(asList(name, age));
try(
VectorSchemaRoot vectorSchemaRoot = VectorSchemaRoot.create(schemaPerson, allocator)
){
VarCharVector nameVector = (VarCharVector) vectorSchemaRoot.getVector("name");
nameVector.allocateNew(3);
nameVector.set(0, "David".getBytes());
nameVector.set(1, "Gladis".getBytes());
nameVector.set(2, "Juan".getBytes());
IntVector ageVector = (IntVector) vectorSchemaRoot.getVector("age");
ageVector.allocateNew(3);
ageVector.set(0, 10);
ageVector.set(1, 20);
ageVector.set(2, 30);
vectorSchemaRoot.setRowCount(3);
File file = new File("randon_access_to_file.arrow");
try (
FileOutputStream fileOutputStream = new FileOutputStream(file);
ArrowFileWriter writer = new ArrowFileWriter(vectorSchemaRoot, null, fileOutputStream.getChannel())
) {
writer.start();
writer.writeBatch();
writer.end();
System.out.println("Record batches written: " + writer.getRecordBlocks().size() + ". Number of rows written: " + vectorSchemaRoot.getRowCount());
} catch (IOException e) {
e.printStackTrace();
}
}
}
但这输出为箭头文件。不是拼花。有什么想法可以将其输出到拼花文件吗?我是否需要箭头来生成拼花文件-或者我可以直接使用拼花吗?
箭头Java尚不支持写入Parquet文件,但可以使用Parquet。
Arrow数据集测试类中的一些代码可能会有所帮助。见
org.apache.arrow.dataset.ParquetWriteSupport;
org.apache.arrow.dataset.file.TestFileSystemDataset;
第二个类有一些使用第一个类中的实用程序的测试。
你可以在GitHub上找到它们:https://github.com/apache/arrow/tree/master/java/dataset/src/test/java/org/apache/arrow/dataset