Question

我正在尝试通过以下步骤将数据帧加载到Hive表中：

读取源表并将数据帧另存为HDFS上的CSV文件

val yearDF = spark.read.format("jdbc").option("url", connectionUrl).option("dbtable", s"(${execQuery}) as year2016").option("user", devUserName).option("password", devPassword).option("partitionColumn","header_id").option("lowerBound", 199199).option("upperBound", 284058).option("numPartitions",10).load()

按照我的Hive表列排序列我的蜂巢表列以字符串形式出现，格式为：

val hiveCols = col1:coldatatype|col2:coldatatype|col3:coldatatype|col4:coldatatype...col200:datatype
val schemaList        = hiveCols.split("\\|")
val hiveColumnOrder   = schemaList.map(e => e.split("\\:")).map(e => e(0)).toSeq
val finalDF           = yearDF.selectExpr(hiveColumnOrder:_*)

我在“ execQuery”中读取的列顺序与“ hiveColumnOrder”相同，为确保顺序，我再次使用selectExpr选择了YearDF中的列

将数据框另存为CSV文件到HDFS：

newDF.write.format("CSV").save("hdfs://username/apps/hive/warehouse/database.db/lines_test_data56/")

保存数据框后，我将从“ hiveCols”中提取相同的列，准备一个DDL以在相同位置创建一个配置单元表，其值以逗号分隔，如给定下方：

如果不存在则创建表schema.tablename（col1 coldatatype，col2   coldatatype，col3 coldatatype，col4 coldatatype ... col200数据类型）
  行   以'，'结尾的格式分隔字段
  存储为文本文件

位置   'hdfs：//username/apps/hive/warehouse/database.db/lines_test_data56/';

将数据框加载到创建的表中后，这里面临的问题是查询表时，查询中的输出不正确。例如：如果在将数据保存为文件之前在数据框上应用以下查询：

finalDF.createOrReplaceTempView("tmpTable")
select header_id,line_num,debit_rate,debit_rate_text,credit_rate,credit_rate_text,activity_amount,activity_amount_text,exchange_rate,exchange_rate_text,amount_cr,amount_cr_text from tmpTable where header_id=19924598 and line_num=2

我正确地获得了输出。所有值都与列正确对齐：

[19924598,2,null,null,381761.40000000000000000000,381761.4,-381761.40000000000000000000,-381761.4,0.01489610000000000000,0.014896100000000,5686.76000000000000000000,5686.76]

但是将数据框保存在CSV文件中之后，在其上创建一个表（第4步），并对创建的表应用相同的查询，我发现数据混乱并且与列的映射不正确：

select header_id,line_num,debit_rate,debit_rate_text,credit_rate,credit_rate_text,activity_amount,activity_amount_text,exchange_rate,exchange_rate_text,amount_cr,amount_cr_text from schema.tablename where header_id=19924598 and line_num=2

+---------------+--------------+-------------+------------------+-------------+------------------+--------------------------+-------------------------------+------------------------+-----------------------------+--------------------+-------------------------+--+
| header_id     | line_num     | debit_rate  | debit_rate_text  | credit_rate  | credit_rate_text  | activity_amount  | activity_amount_text  | exchange_rate  | exchange_rate_text  | amount_cr  | amount_cr_text  |
+---------------+--------------+-------------+------------------+-------------+------------------+--------------------------+-------------------------------+------------------------+-----------------------------+--------------------+-------------------------+--+
| 19924598      | 2            | NULL        |                  | 381761.4    |                    | 5686.76          | 5686.76               | NULL           | -5686.76            | NULL       |                 |

因此，我尝试使用一种不同的方法，在该方法中，我先创建了配置单元表，然后从数据框中将数据插入其中：

在上面的步骤4中运行DDL
finalDF.createOrReplaceTempView（“ tmpTable”）
spark.sql（“插入schema.table select * from tmpTable”）

如果作业完成后我运行上述选择查询，即使这种方式也失败了。我试图使用refresh table schema.table和msckrepair table schema.table刷新表格，只是为了查看元数据是否有问题，但似乎没有什么锻炼的余地。

任何人都可以让我知道导致这种现象的原因吗，我在这里操作数据的方式是否有问题？

Answer 1

使用 Spark 2.3.2

测试代码

代替从CSV文件创建Spark数据帧，然后将其注册为Hive表，您可以轻松地运行SQL命令并从CSV文件创建Hive表。

val conf = new SparkConf
    conf
      .set("hive.server2.thrift.port", "10000")
      .set("spark.sql.hive.thriftServer.singleSession", "true")
      .set("spark.sql.warehouse.dir", "hdfs://PATH_FOR_HIVE_METADATA")
      .set("spark.sql.catalogImplementation","hive")
      .setMaster("local[*]")
      .setAppName("ThriftServer")

val spark = SparkSession.builder()
      .config(conf)
      .enableHiveSupport()
      .getOrCreate()

现在使用spark对象，您可以以Hive用户身份运行SQL命令：

spark.sql("DROP DATABASE IF EXISTS my_db CASCADE")
spark.sql("create database if not exists my_db")
spark.sql("use my_db")

使用以下代码，您可以将所有csv_files加载到HDFS目录中（或者可以指定一个CSV文件的路径）：

spark.sql(
      "CREATE TABLE test_table(" +
        "id int," +
        "time_stamp bigint," +
        "user_name string) " +
        "ROW FORMAT DELIMITED " +
        "FIELDS TERMINATED BY ',' " +
        "STORED AS TEXTFILE " +
        "LOCATION 'hdfs://PATH_TO_CSV_Directory_OR_CSV_FILE' "
    )

最后将Spark sqlContext 对象注册为Hive ThriftServer：

HiveThriftServer2.startWithContext(spark.sqlContext)

这将在端口10000上创建ThriftServer端点。

INFO ThriftCLIService: Starting ThriftBinaryCLIService on port 10000 with 5...500 worker threads

现在，您可以运行beeline并连接到ThriftServer：

beeline> !connect jdbc:hive2://localhost:10000
Connecting to jdbc:hive2://localhost:10000
Enter username for jdbc:hive2://localhost:10000: enter optional_username
Enter password for jdbc:hive2://localhost:10000: leave blank
Connected to: Spark SQL (version 2.3.2)
Driver: Hive JDBC (version 1.2.1.spark2)
Transaction isolation: TRANSACTION_REPEATABLE_READ
0: jdbc:hive2://localhost:10000>

并测试表test_table是否在my_db数据库下创建：

0: jdbc:hive2://localhost:10000> use my_db;
0: jdbc:hive2://localhost:10000> show tables ;
+-----------+-----------------------+--------------+--+
| database  |       tableName       | isTemporary  |
+-----------+-----------------------+--------------+--+
| my_db     | test_table            | false        |
+-----------+-----------------------+--------------+--+

此外，您可以使用ThrifServer JDBC端点创建任何其他Hive表（或任何HiveQL命令）。

以下是所需的依赖项：

 libraryDependencies ++= Seq(
  "org.apache.spark" %% "spark-core" % sparkVersion,
  "org.apache.spark" %% "spark-sql" % sparkVersion,
  "org.apache.spark" %% "spark-hive" % sparkVersion,
  "org.apache.spark" %% "spark-hive-thriftserver" % sparkVersion,
  "org.apache.hadoop" % "hadoop-hdfs" % "2.8.3",
  "org.apache.hadoop" % "hadoop-common" % "2.8.3",
)

Answer 2

我在Hive DDL中使用了行格式Serde：org.apache.hadoop.hive.serde2.OpenCSVSerde。这也有'，'作为默认的分隔符char，而我不必提供任何其他定界符。

将数据从CSV文件映射到HDFS上的Hive表时出错

2 个答案: