メインコンテンツまでスキップ

orcファイルのwrite.orc

Apache ORC は、大規模な分析ワークロードに最適化された列指向ファイル形式です。組み込みのインデックスと統計を使用して、読み取り時に関連性のないデータをスキップします。Databricksは、スキーマ指定、パーティショニング、書き込み圧縮など、Apache SparkでのORCの読み取りと書き込みの両方をサポートしています。

前提条件

Databricks は、ORC ファイルを使用するために、追加設定は不要です。ただし、ORCファイルをストリームするには、Auto Loaderが必要です。

オプション

ORCデータソースを構成するには、 DataFrameReaderとDataFrameWriterの.option()メソッドと.options()メソッドを使用します。サポートされているオプションの完全なリストについては、 DataFrameReader ORC オプションとDataFrameWriter ORC オプションを参照してください。

使い方

以下の例では、Wanderbricks サンプルデータセットを使用し、Spark DataFrame API および SQL を使用した ORC ファイルの読み書き方法を実演します。

orcファイルのwrite.orc

Python
Scala
SQL

Python
# Write wanderbricks reviews to ORC format
df = spark.read.table("samples.wanderbricks.reviews")
df.write.format("orc").save("/Volumes/<catalog>/<schema>/<volume>/reviews_orc")

# Read an ORC file into a DataFrame
df = spark.read.format("orc").load("/Volumes/<catalog>/<schema>/<volume>/reviews_orc")
display(df)

# Write with overwrite mode
df.write.format("orc").mode("overwrite").save("/Volumes/<catalog>/<schema>/<volume>/reviews_orc")

Scala
// Write wanderbricks reviews to ORC format
val reviews = spark.read.table("samples.wanderbricks.reviews")
reviews.write.format("orc").save("/Volumes/<catalog>/<schema>/<volume>/reviews_orc")

// Read an ORC file into a DataFrame
val df = spark.read.format("orc").load("/Volumes/<catalog>/<schema>/<volume>/reviews_orc")
df.show()

// Write with overwrite mode
df.write.format("orc").mode("overwrite").save("/Volumes/<catalog>/<schema>/<volume>/reviews_orc")

SQL
-- Write wanderbricks reviews to ORC format
CREATE TABLE reviews_orc
USING ORC
AS SELECT * FROM samples.wanderbricks.reviews;

SELECT * FROM reviews_orc;

SQLを使用して.orcファイルをread.orc

read_files を使用すると、テーブルを作成せずに、SQL を使用してクラウドストレージから ORC ファイルを直接クエリできます。

SQL
SELECT * FROM read_files(
  '/Volumes/<catalog>/<schema>/<volume>/reviews_orc',
  format => 'orc'
)

スキーマの指定

ORCファイルを読み取る際にスキーマを指定することで、スキーマ推論のオーバーヘッドを回避します。例えば、review_id、rating、comment のフィールドを持つスキーマを定義し、reviews_orc を DataFrame に読み込みます。

Python
Scala
SQL

Python
from pyspark.sql.types import StructType, StructField, StringType, IntegerType

schema = StructType([
    StructField("review_id", StringType(), True),
    StructField("rating", IntegerType(), True),
    StructField("comment", StringType(), True)
])

df = spark.read.format("orc").schema(schema).load("/Volumes/<catalog>/<schema>/<volume>/reviews_orc")
df.printSchema()
df.show()

Scala
import org.apache.spark.sql.types.{StructType, StructField, StringType, IntegerType}

val schema = StructType(Array(
  StructField("review_id", StringType, nullable = true),
  StructField("rating", IntegerType, nullable = true),
  StructField("comment", StringType, nullable = true)
))

val df = spark.read.format("orc").schema(schema).load("/Volumes/<catalog>/<schema>/<volume>/reviews_orc")
df.printSchema()
df.show()

SQL
-- Create a table with an explicit schema from ORC files
CREATE TABLE reviews_orc (
  review_id STRING,
  rating INT,
  comment STRING
)
USING ORC
OPTIONS (path "/Volumes/<catalog>/<schema>/<volume>/reviews_orc");

SELECT * FROM reviews_orc;

パーティション化されたORCファイルを書き込む

大規模データセットにおけるクエリパフォーマンスを最適化するために、パーティション分割されたORCファイルを作成します。たとえば、samples.wanderbricks.bookingsを読み込み、check_in列から派生したyearとmonthでパーティション化されたbookings_orc_partitionedに書き込みます。

Python
Scala
SQL

Python
from pyspark.sql.functions import year, month

df = spark.read.table("samples.wanderbricks.bookings")
df_with_parts = df.withColumn("year", year("check_in")).withColumn("month", month("check_in"))
df_with_parts.write.format("orc").partitionBy("year", "month").save("/Volumes/<catalog>/<schema>/<volume>/bookings_orc_partitioned")

Scala
import org.apache.spark.sql.functions.{year, month}

val bookings = spark.read.table("samples.wanderbricks.bookings")
val bookingsWithParts = bookings.withColumn("year", year(col("check_in"))).withColumn("month", month(col("check_in")))
bookingsWithParts.write.format("orc").partitionBy("year", "month").save("/Volumes/<catalog>/<schema>/<volume>/bookings_orc_partitioned")

SQL
-- Write partitioned ORC files by year and month
CREATE TABLE bookings_orc_partitioned
USING ORC
PARTITIONED BY (year, month)
AS SELECT *, year(check_in) AS year, month(check_in) AS month
FROM samples.wanderbricks.bookings;

その他のリソース

Databricks における Delta Lake とは？：ORC を使用する Hive または Hadoop 環境から移行する場合は、Delta Lake が Databricks ネイティブの推奨フォーマットです。Parquetベースのストレージ上で、ACIDトランザクション、スキーマ強制、タイムトラベル、そして最適化された読み取りパフォーマンスを実現します。
Parquet ファイルの読み取りと書き込み: ワークロードで Databricks 以外の最も幅広いエコシステム互換性が必要な場合、Parquet は、クエリエンジンやクラウドストレージツール全体で最も広くサポートされている列形式です。

このページの見出し

前提条件
オプション
使い方
その他のリソース