Tìm hiểu Parquet

Làm sạch dữ liệu với PySpark

Mike Metzger

Data Engineering Consultant

Khó khăn với tệp CSV

Đọc tệp Parquet

df = spark.read.format('parquet').load('filename.parquet')

df = spark.read.parquet('filename.parquet')

Ghi tệp Parquet

df.write.format('parquet').save('filename.parquet')

df.write.parquet('filename.parquet')

Dùng Parquet làm kho cho thao tác SparkSQL

flight_df = spark.read.parquet('flights.parquet')

flight_df.createOrReplaceTempView('flights')

short_flights_df = spark.sql('SELECT * FROM flights WHERE flightduration < 100')

Làm sạch dữ liệu với PySpark