在spark中创建了Parquet文件。下面是代码片段
parquet_file_name = os.path.join(partition, os.path.basename(fileLocation) + ".parquet")
dfData = sqlContext.createDataFrame(addedColumns, schema)
dfData.save(parquet_file_name, "parquet", "append")
我可以在spark中读取文件内容。
In [1]:
sqlContext = SQLContext(sc)
parquetFile = sqlContext.parquetFile("/temp//browser/pub/browser.parquet/part-r-00001.parquet")
parquetFile.head(10)
Out[1]:
[Row(browserID=u'1', browserName=u'Lynx 2.7.1'),
Row(browserID=u'2', browserName=u'Lynx 2.7'),
Row(browserID=u'3', browserName=u'Lynx 2.6'),
Row(browserID=u'4', browserName=u'Lynx 2.5'),
Row(browserID=u'5', browserName=u'Lynx 2.4'),
Row(browserID=u'6', browserName=u'Lynx (unknown version)'),
Row(browserID=u'7', browserName=u'Lotus Notes 4.5'),
Row(browserID=u'8', browserName=u'AOL 4.0'),
Row(browserID=u'9', browserName=u'AOL 3.0'),
Row(browserID=u'10', browserName=u'Microsoft Internet Explorer 5.0 beta 2')]
使用以下语法在parquet文件上创建了一个配置单元外部表
CREATE EXTERNAL TABLE browser
(
fld1 string,
fld2 string,
FileName string,
LoadDate string,
Checksum string,
RecordId string
)
PARTITIONED BY (fname string)
ROW FORMAT SERDE 'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'
STORED AS
INPUTFORMAT 'org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat'
OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'
LOCATION 'hdfs://nameservice1/temp/dims/browser';
修改表以添加分区
ALTER TABLE browser ADD PARTITION (fname='browser.parquet')
LOCATION 'hdfs://nameservice1/temp/dims/browser/browser.parquet';
select*from table in对所有行和列返回null。
select * from browser;
browser.fld1 browser.fld2 browser.filename browser.loaddate browser.checksum browser.recordid browser.fname
0 NULL NULL NULL NULL NULL NULL browser.parquet/part-r-00001.parquet
1 NULL NULL NULL NULL NULL NULL browser.parquet/part-r-00001.parquet
2 NULL NULL NULL NULL NULL NULL browser.parquet/part-r-00001.parquet
3 NULL NULL NULL NULL NULL NULL browser.parquet/part-r-00001.parquet
4 NULL NULL NULL NULL NULL NULL browser.parquet/part-r-00001.parquet
5 NULL NULL NULL NULL NULL NULL browser.parquet/part-r-00001.parquet
6 NULL NULL NULL NULL NULL NULL browser.parquet/part-r-00001.parquet
cloudera cdh 5.4.1
Spark1.3.0
色调3.7.0
任何指针如何解决这个问题,如果你需要额外的信息需要我会补充。谢谢。
1条答案
按热度按时间iqjalb3h1#
您使用的配置单元架构似乎与Parquet文件内容不同,请参见:
它看起来一点也不像表定义。您可以使用以下内容查看spark中的Parquet模式:
看看它和Hive有什么不同。
另外,为了确保涵盖所有的基础知识,为什么不让spark为您创建Hive表呢?
另外,最近版本的hive本机支持parquet,因此您应该能够说“save as parquet”,而不是指定serde/inputformat/outputformat