Question

我想用R编程语言处理Apache Parquet文件（在我的例子中，在Spark中生成）。

是否有R阅读器？或者是在一个人上完成工作？

如果没有，那么到达那里最方便的方法是什么？注意：有Java和C ++绑定：https://github.com/apache/parquet-mr

Answer 1

如果您正在使用Spark，那么随着Spark 1.4的发布，这现在相对简单，请参阅下面的示例代码，该代码使用现在属于Apache Spark核心框架的SparkR包。

# install the SparkR package
devtools::install_github('apache/spark', ref='master', subdir='R/pkg')

# load the SparkR package
library('SparkR')

# initialize sparkContext which starts a new Spark session
sc <- sparkR.init(master="local")

# initialize sqlContext
sq <- sparkRSQL.init(sc)

# load parquet file into a Spark data frame and coerce into R data frame
df <- collect(parquetFile(sq, "/path/to/filename"))

# terminate Spark session
sparkR.stop()

展示了一个扩展示例@ https://gist.github.com/andyjudson/6aeff07bbe7e65edc665

如果您没有使用Spark，我不知道您可以使用的任何其他软件包。

Answer 2

除SparkR之外，您现在可以使用sparklyr：

# install.packages("sparklyr")
library(sparklyr)

sc <- spark_connect(master = "local")

spark_tbl_handle <- spark_read_parquet(sc, "tbl_name_in_spark", "/path/to/parquetdir")

regular_df <- collect(spark_tbl_handle)

spark_disconnect(sc)

Answer 3

您可以简单地使用arrow package：

install.packages("arrow")
library(arrow)
read_parquet("myfile.parquet")

Answer 4

Spark已更新，并且不推荐使用或重命名了许多新事物和功能。

安迪上面的答案适用于Spark v.1.4，但适用于Spark v.2.3，这是它对我有用的更新。

下载最新版本的Apache Spark https://spark.apache.org/downloads.html（链接中的第3点）
提取.tgz文件。
在devtool中安装rstudio软件包
```
install.packages('devtools')
```

打开terminal并按照以下步骤操作

# This is the folder of extracted spark `.tgz` of point 1 above
export SPARK_HOME=extracted-spark-folder-path 
cd $SPARK_HOME/R/lib/SparkR/
R -e "devtools::install('.')"

返回到rstudio

# load the SparkR package
library(SparkR)

# initialize sparkSession which starts a new Spark session
sc <- sparkR.session(master="local")

# load parquet file into a Spark data frame and coerce into R data frame
df <- collect(read.parquet('.parquet-file-path'))

# terminate Spark session
sparkR.stop()

Answer 5

要在Amazon S3存储桶中读取镶木地板文件，请尝试使用s3a而不是s3n。当使用EMR 1.4.0，RStudio和Spark 1.5.0读取镶木地板文件时，这对我有用。

Answer 6

使用网状结构，您可以将python中的熊猫用于拼花文件。这样可以避免您运行Spark实例的麻烦。

library(reticulate)
library(dplyr)
pandas <- import("pandas")
read_parquet <- function(path, columns = NULL) {

  path <- path.expand(path)
  path <- normalizePath(path)

  if (!is.null(columns)) columns = as.list(columns)

  xdf <- pandas$read_parquet(path, columns = columns)

  xdf <- as.data.frame(xdf, stringsAsFactors = FALSE)

  dplyr::tbl_df(xdf)

}

read_parquet(PATH_TO_PARQUET_FILE)

Answer 7

您可以使用arrow软件包。这与Python pyarrow中的情况相同，但如今，它也已打包为R而不需要Python。由于CRAN尚不可用，因此您必须先手动安装Arrow C ++：

git clone https://github.com/apache/arrow.git
cd arrow/cpp && mkdir release && cd release

# It is important to statically link to boost libraries
cmake .. -DARROW_PARQUET=ON -DCMAKE_BUILD_TYPE=Release -DARROW_BOOST_USE_SHARED:BOOL=Off
make install

然后，您可以安装R arrow软件包：

devtools::install_github("apache/arrow/r")

并使用它来加载Parquet文件

library(arrow)
#> 
#> Attaching package: 'arrow'
#> The following object is masked from 'package:utils':
#> 
#>     timestamp
#> The following objects are masked from 'package:base':
#> 
#>     array, table
read_parquet("somefile.parquet", as_tibble = TRUE)
#> # A tibble: 10 x 2
#>        x       y
#>    <int>   <dbl>
#> …

Answer 8

miniparquet是一个新的专用软件包。安装方式：

devtools::install_github("hannesmuehleisen/miniparquet")

示例摘自文档：

library(miniparquet)

f <- system.file("extdata/userdata1.parquet", package="miniparquet")
df <- parquet_read(f)
str(df)

# 'data.frame': 1000 obs. of  13 variables:
#  $ registration_dttm: POSIXct, format: "2016-02-03 07:55:29" "2016-02-03 17:04:03" "2016-02-03 01:09:31" ...
#  $ id               : int  1 2 3 4 5 6 7 8 9 10 ...
#  $ first_name       : chr  "Amanda" "Albert" "Evelyn" "Denise" ...
#  $ last_name        : chr  "Jordan" "Freeman" "Morgan" "Riley" ...
#  $ email            : chr  "ajordan0@com.com" "afreeman1@is.gd" "emorgan2@altervista.org" "driley3@gmpg.org" ...
#  $ gender           : chr  "Female" "Male" "Female" "Female" ...
#  $ ip_address       : chr  "1.197.201.2" "218.111.175.34" "7.161.136.94" "140.35.109.83" ...
#  $ cc               : chr  "6759521864920116" "" "6767119071901597" "3576031598965625" ...
#  $ country          : chr  "Indonesia" "Canada" "Russia" "China" ...
#  $ birthdate        : chr  "3/8/1971" "1/16/1968" "2/1/1960" "4/8/1997" ...
#  $ salary           : num  49757 150280 144973 90263 NA ...
#  $ title            : chr  "Internal Auditor" "Accountant IV" "Structural Engineer" "Senior Cost Accountant" ...
#  $ comments         : chr  "1E+02" "" "" "" ...

Answer 9

如果您有一个多文件拼花文件，则可能需要执行以下操作：

data.table::rbindlist(lapply(Sys.glob("path_to_parquet/part-*.parquet"), arrow::read_parquet))

如何在R中读取Parquet并将其转换为R DataFrame？

9 个答案: