https://github.com/yuanxiaolong/ParquetDemo

MR转换parquet
https://github.com/yuanxiaolong/ParquetDemo

Last synced: 12 days ago
JSON representation

MR转换parquet

• Host: GitHub
• URL: https://github.com/yuanxiaolong/ParquetDemo
• Owner: yuanxiaolong
• Created: 2016-02-03T06:37:28.000Z (almost 9 years ago)
• Default Branch: master
• Last Pushed: 2016-12-23T10:20:05.000Z (almost 8 years ago)
• Last Synced: 2024-08-01T18:32:00.017Z (3 months ago)
• Language: Java
• Size: 12.4 MB
• Stars: 4
• Watchers: 3
• Forks: 7
• Open Issues: 0
• Metadata Files:
  • Readme: readme.md

Awesome Lists containing this project

README

        
## 介绍

此工程用于通用转换 textfile或parquetfile 为 parquetfile 主要是应用于 提高hive表的查询效率或ETL处理

## 准备

需要准备一个 xml 配置文件,用于描述 生成parquet文件的schema 及 Input Output hdfs 路径等

示例如下:

```

    

        /test/xiaolong_1

    

    

        /user/hive/warehouse/test.db/tb_normal_sep

    

    

            remote_addr,

            upstream_addr,

            http_x_forwarded_for,

            visit_time,

            request_uri,

            request_method,

            server_protocol,

            status,

            body_bytes_sent,

            request_time,

            uid,

            uuid,

            user_agent,

            refer,

            request_body

    

    

        \t

    

    

        snappy

    

    true

```

说明:

* input 输入的hdfs路径

* output 输出的hdfs路径,如果不为空,则会先清空此目录

* schema 生成的parquet文件元信息

* sep 输入hdfs文件的分隔符

* compress 压缩形式,可选有 snappy 或 gzip 两种

* isOverwrite 是否覆盖写入,如果为true会先删除output再执行MR,请仔细.

## 遗留问题

目前只支持textfile源文件为 ```\t``` 分隔

## 改进