Question

我正在使用来自MovieLens的公开可用的csv数据集我为ratings.csv创建了一个分区数据集：

kite-dataset create ratings --schema rating.avsc --partition-by year-month.json --format parquet

这是我的year-month.json：

[ {
  "name" : "year",
  "source" : "timestamp",
  "type" : "year"
}, {
  "name" : "month",
  "source" : "timestamp",
  "type" : "month"
} ]

这是我的csv import命令：

mkite-dataset csv-import ratings.csv ratings

导入完成后，我运行此命令以查看实际创建的年份和月份分区：

hadoop fs -ls /user/hive/warehouse/ratings/

我注意到的是，只创建了一年的分区，并且在其中创建了一个月的分区：

[cloudera@quickstart ml-20m]$ hadoop fs -ls /user/hive/warehouse/ratings/
Found 3 items
drwxr-xr-x   - cloudera supergroup          0 2016-06-12 18:49 /user/hive/warehouse/ratings/.metadata
drwxr-xr-x   - cloudera supergroup          0 2016-06-12 18:59 /user/hive/warehouse/ratings/.signals
drwxrwxrwx   - cloudera supergroup          0 2016-06-12 18:59 /user/hive/warehouse/ratings/year=1970

[cloudera@quickstart ml-20m]$ hadoop fs -ls /user/hive/warehouse/ratings/year=1970/
Found 1 items
drwxrwxrwx   - cloudera supergroup          0 2016-06-12 18:59 /user/hive/warehouse/ratings/year=1970/month=01

进行此类分区导入的正确方法是什么，这会导致创建所有年份和所有月份分区？

Answer 1

最后在时间戳中添加三个零。

使用以下shell脚本执行此操作

#!/bin/bash

# add the CSV header to both files
head -n 1 ratings.csv > ratings_1.csv
head -n 1 ratings.csv > ratings_2.csv

# output the first 10,000,000 rows to ratings_1.csv
# this includes the header, and uses tail to remove it
head -n 10000001 ratings.csv | tail -n +2 | awk '{print "000" $1 }' >> ratings_1.csv

    enter code here

# output the rest of the file to ratings_2.csv
# this starts at the line after the ratings_1 file stopped
tail -n +10000002 ratings.csv | awk '{print "000" $1 }' >> ratings_2.csv

即使我遇到了这个问题，也在添加3个零后解决了这个问题。

如何使用风筝数据集分区模式正确导入csv数据集？

1 个答案: