Если ваш grep
не поддерживает рекурсивный поиск, вы можете комбинировать find
с xargs
:
find / -type f | xargs grep 'text-to-find-here'
Мне это легче запомнить, чем формат для find -exec
.
Это приведет к отображению имени файла и содержимого соответствующей строки, например
/home/rob/file:text-to-find-here
Дополнительные флаги, которые вы можете добавить к grep
:
-i
- нечувствительный к регистру поиск -l
- выводит только имя файла, в котором было найдено совпадение -h
- выводить только строку, которая соответствует (не filename) Здесь - образец фрагмента кода, который делает это в обоих направлениях.
Следующий пример является примером использования spark2.0. Чтение намного быстрее, чем опция inferSchema. Spark 2.0 конвертирует в паркетный файл гораздо эффективнее, чем spark1.6.
import org.apache.spark.sql.types._
var df = StructType(Array(StructField("timestamp", StringType, true),StructField("site", StringType, true),StructField("requests", LongType, true) ))
df = spark.read
.schema(df)
.option("header", "true")
.option("delimiter", "\t")
.csv("/user/hduser/wikipedia/pageviews-by-second-tsv")
df.write.parquet("/user/hduser/wikipedia/pageviews-by-second-parquet")
Чтение csv-файлов как Dataframe в Apache Spark с пакетом spark-csv . после загрузки данных в Dataframe сохранить файл данных в файл паркета.
val df = sqlContext.read
.format("com.databricks.spark.csv")
.option("header", "true")
.option("inferSchema", "true")
.option("mode", "DROPMALFORMED")
.load("/home/myuser/data/log/*.csv")
df.saveAsParquetFile("/home/myuser/data.parquet")
Я уже опубликовал ответ о том, как это сделать, используя Apache Drill. Однако, если вы знакомы с Python, вы можете сделать это, используя Pandas и PyArrow !
Использование pip
:
pip install pandas pyarrow
или с помощью conda
:
conda install pandas pyarrow -c conda-forge
# csv_to_parquet.py
import pandas as pd
import pyarrow as pa
import pyarrow.parquet as pq
csv_file = '/path/to/my.tsv'
chunksize = 100_000
csv_stream = pd.read_csv(csv_file, sep='\t', chunksize=chunksize, low_memory=False)
for i, chunk in enumerate(csv_stream):
print("Chunk", i)
if i == 0:
# Guess the schema of the CSV file from the first chunk
parquet_schema = pa.Table.from_pandas(df=chunk).schema
# Open a Parquet file for writing
parquet_writer = pq.ParquetWriter(parquet_file, parquet_schema, compression='snappy')
# Write CSV chunk to the parquet file
table = pa.Table.from_pandas(chunk, schema=parquet_schema)
parquet_writer.write_table(table)
parquet_writer.close()
У меня нет сравнил этот код с версией Apache Drill, но по моему опыту это довольно быстро, конвертируя десятки тысяч строк в секунду (это, конечно, зависит от файла CSV!).
from pyspark import SparkContext
from pyspark.sql import SQLContext
from pyspark.sql.types import *
import sys
sc = SparkContext(appName="CSV2Parquet")
sqlContext = SQLContext(sc)
schema = StructType([
StructField("col1", StringType(), True),
StructField("col2", StringType(), True),
StructField("col3", StringType(), True),
StructField("col4", StringType(), True),
StructField("col5", StringType(), True)])
rdd = sc.textFile('/input.csv').map(lambda line: line.split(","))
df = sqlContext.createDataFrame(rdd, schema)
df.write.parquet('/output.parquet')
1) Вы можете создать внешнюю таблицу hive
create external table emp(name string,job_title string,department string,salary_per_year int)
row format delimited
fields terminated by ','
location '.. hdfs location of csv file '
2) Еще одна таблица улей, в которой будет храниться файл паркета
create external table emp_par(name string,job_title string,department string,salary_per_year int)
row format delimited
stored as PARQUET
location 'hdfs location were you want the save parquet file'
. Вставьте таблицу в одну таблицу в таблицу :
insert overwrite table emp_par select * from emp
Вы можете использовать Apache Drill , как описано в . Преобразовать CSV-файл в Apache Parquet With Drill .
Вкратце:
Начать сверление Apache:
$ cd /opt/drill/bin $ sqlline -u jdbc:drill:zk=local
Создать файл Parquet:
-- Set default table format to parquet ALTER SESSION SET `store.format`='parquet'; -- Create a parquet table containing all data from the CSV table CREATE TABLE dfs.tmp.`/stats/airport_data/` AS SELECT CAST(SUBSTR(columns[0],1,4) AS INT) `YEAR`, CAST(SUBSTR(columns[0],5,2) AS INT) `MONTH`, columns[1] as `AIRLINE`, columns[2] as `IATA_CODE`, columns[3] as `AIRLINE_2`, columns[4] as `IATA_CODE_2`, columns[5] as `GEO_SUMMARY`, columns[6] as `GEO_REGION`, columns[7] as `ACTIVITY_CODE`, columns[8] as `PRICE_CODE`, columns[9] as `TERMINAL`, columns[10] as `BOARDING_AREA`, CAST(columns[11] AS DOUBLE) as `PASSENGER_COUNT` FROM dfs.`/opendata/Passenger/SFO_Passenger_Data/*.csv`;
Попробовать выбрать данные из нового файла Parquet:
-- Select data from parquet table SELECT * FROM dfs.tmp.`/stats/airport_data/*`
Вы можете изменить местоположение dfs.tmp
, выбрав http://localhost:8047/storage/dfs
(источник: CSV и паркет ).
convertCsvToParquet
метод ищет файл.schema
. Не могли бы вы посоветовать, как его создать. – sras 12 April 2016 в 10:14