認識 Parquet

使用 PySpark 清理資料

Mike Metzger

Data Engineering Consultant

CSV 的難題

讀取 Parquet 檔

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

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

寫入 Parquet 檔

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

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

以 Parquet 作為 SparkSQL 作業的後端儲存

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

flight_df.createOrReplaceTempView('flights')

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

使用 PySpark 清理資料