Question

我有2个镶木地板零件文件part-00043-0bfd7e28-6469-4849-8692-e625c25485e2-c000.snappy.parquet（是2017年11月14日运行的零件文件）和part-00199-64714828-8a9e-4ae1-8735-c5102c0a834d-c000.snappy.parquet （是2017年11月16日运行的部分文件）并且都具有相同的模式（我通过打印模式验证）。

我的问题是，如果我使用Spark分别读取这两个文件，我说有10列正确。但是，如果我把这个文件放在文件夹中，试着一起读，总计数正确（2个文件中的行总和），但是从第2个文件中，大多数列都是空的。只有大约2 3列具有适当的值（文件中存在值，因为如果我单独阅读它，它会正确显示）。我在这里失踪的是什么？这是我用于测试的代码：

def initSparkConfig: SparkSession = {

    val sparkSession: SparkSession = SparkSession
      .builder()
      .appName("test")
      .master("local")
      .getOrCreate()

    sparkSession.sparkContext.hadoopConfiguration.set("mapreduce.fileoutputcommitter.algorithm.version", "2")
    sparkSession.sparkContext.getConf.set("spark.hadoop.parquet.enable.summary-metadata", "false")
    sparkSession.sparkContext.getConf.set("spark.sql.parquet.mergeSchema", "false")
    sparkSession.sparkContext.getConf.set("spark.sql.parquet.filterPushdown", "false")
    sparkSession.sparkContext.getConf.set("spark.sql.hive.metastorePartitionPruning", "true")

    sparkSession
  }

sparkSession = initSparkConfig
sparkSession.read.parquet("/test_spark/").createOrReplaceTempView("table")
sparkSession.sql("select * from table").show

更新：

如果我单独读取这两个文件并进行联合并读取，则所有列都会填充而没有任何问题。

更新2：

如果我在阅读时提出mergeSchema = true，则会引发异常Found duplicate column(s) in the data schema and the partition schema: [无效的列列表] 。其中一个过滤列为ambiguous

Answer 1

原来那些模式不完全匹配。对于列名称为空的情况（其间的某些字符）存在差异。镶木地板列名称区分大小写，因此导致所有问题。它试图读取根本不存在的列。

Spark发布阅读镶木地板文件

1 个答案: