Question

我在S3中使用nyc_date以s3://mybucket/mykey/nyc_date=Y-m-d/*.gz.parquet格式分区的镶木地板数据。

我有一个DateType列event_date，当我尝试从S3读取并使用EMR写入hdfs时，由于某种原因抛出此错误。

from pyspark.sql import SparkSession

spark = SparkSession.builder.enableHiveSupport().getOrCreate()
df = spark.read.parquet('s3a://mybucket/mykey/') 

df.limit(100).write.parquet('hdfs:///output/', compression='gzip')

错误：

java.lang.UnsupportedOperationException: org.apache.parquet.column.values.dictionary.PlainValuesDictionary$PlainBinaryDictionary
    at org.apache.parquet.column.Dictionary.decodeToInt(Dictionary.java:48)
    at org.apache.spark.sql.execution.vectorized.OnHeapColumnVector.getInt(OnHeapColumnVector.java:233)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator.processNext(Unknown Source)
    at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
    at org.apache.spark.sql.execution.WholeStageCodegenExec$$anonfun$8$$anon$1.hasNext(WholeStageCodegenExec.scala:370)
    at scala.collection.Iterator$$anon$10.hasNext(Iterator.scala:389)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:408)
    at org.apache.spark.shuffle.sort.BypassMergeSortShuffleWriter.write(BypassMergeSortShuffleWriter.java:125)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:79)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:47)
    at org.apache.spark.scheduler.Task.run(Task.scala:86)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:274)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)

以下是我的想法：

本地作品： - ）：我以相同的格式在本地复制了一些数据，可以查询。
避免选择event_date有效： - ）：为event_date选择所有50多列不会导致任何错误。
显式读取路径引发错误： - （：将读取路径更改为's3a://mybucket/mykey/*/*.gz.parquet'仍会引发错误。
指定架构仍会引发错误： - （：在加载前指定架构仍然会导致相同的错误。
我可以将包括eastern_date在内的数据加载到数据仓库中： - ）。

真的很奇怪，这只会导致DateType列出错。我没有任何其他DateType列。

使用Spark 2.0.2和EMR 5.2.0。

Answer 1

我在编写镶木地板时只使用了StringType而不是DateType。不再有问题了。

Answer 2

我知道我晚会晚了...

我有一个类似的问题。我读了几个镶木地板的目录，将它们合并，然后尝试写。

我的解决方法是在写入之前添加.select（...）。

Answer 3

当 Spark 读取从 JSON 文件生成的 Parquet 文件时，我遇到了这个异常。

TLDR：如果可能，使用强制应用的预期架构重写输入 Parquet。

Scala 代码如下。 Python 不会有太大的不同。

这几乎是我的 Parquet 一代最初的样子：

spark.read
  .format("json")
  .load("<path-to-json-file>.json")
  .write
  .parquet("<path-to-output-directory>")

但是会读取上述 Parquet 的 Spark 作业正在对输入强制执行架构。大概是这样的：

val structType: StructType = StructType(fields = Seq(...))
spark.read.schema(structType)

以上是异常基本发生的地方。

修正：为了修复异常，我不得不将架构强制应用于我生成的数据：

spark.read
  .schema(structType) // <===
  .format("json")
  .load("<path-to-json-file>.json")
  .write
  .parquet("<path-to-output-directory>")

据我所知，在我的案例中出现异常的原因不仅是 String-Type->DateType 转换，例如 @kamil-sindi。

还有一个事实，即在读取 JSON 时，Spark 将 LongType 分配给所有数值。因此，我的 Parquet 将保存为 LongType 字段。

Spark 作业读取 Parquet 可能很难将 LongType 转换为 IntegerType。

Spark：错误读取分区拼花数据

3 个答案: