大数据系列之：读取parquet文件统计数据量
一、Spark读取parquet文件统计数据量
- 首先，创建一个 SparkSession 对象：
val spark = SparkSession.builder()
.appName("Parquet Data Count")
.getOrCreate()
- 然后，使用 SparkSession 读取 Parquet 文件并将其转换为 DataFrame：
val data = spark.read
.format("parquet")
.load("/path/to/hdfs/parquet/file")
- 最后，使用 DataFrame 的 count 方法进行数据量统计：
val count = data.count()
二、parquet-tools统计parquet文件数据量
下载parquet-tools工具
使用 Hadoop 命令行工具：
- 首先，使用 Hadoop 命令行工具
hadoop运行以下命令：
hadoop fs -cat /path/to/hdfs/parquet/file | parquet-tools rowcount
- 该命令将读取 Parquet 文件并使用
parquet-tools工具来统计数据量，并输出结果。
三、实际应用案例
读取hdfs上的parquet文件：
%spark
val data = spark.read
.format("parquet")
.load("/optics/ods_optics_prod/packing_data_item_1h_a/datetime=2023122514/part-00000-2675f81c-3c90-4af7-a489-bd8ce5cfec2c-c000.zstd.parquet")
查看数据量：
%spark
val count = data.count()
count: Long = 433173
