orc文件上的spark sql不返回正确的架构(列名)

qkf9rpyu 于 2021-06-28 发布在 Hive

关注(0)|答案(5)|浏览(358)

我有一个包含orc文件的目录。我正在使用下面的代码创建一个Dataframe

var data = sqlContext.sql("SELECT * FROM orc.`/directory/containing/orc/files`");

它返回具有此模式的Dataframe

[_col0: int, _col1: bigint]

其中预期的模式是

[scan_nbr: int, visit_nbr: bigint]

当我查询Parquet格式的文件时，我得到了正确的模式。
是否缺少任何配置？
添加更多详细信息
这是hortonworks发行版HDP2.4.2（spark 1.6.1、hadoop 2.7.1、hive 1.2.1）
我们没有改变hdp的默认配置，但是这绝对不是hadoop的普通版本。
数据是由上游配置单元作业编写的，这是一个简单的cta（create table sample stored as orc as select…）。
我用最新的2.0.0配置单元在ctas生成的文件中测试了这个功能&它保留了orc文件中的列名。

apache-spark apache-spark-sql apache-hive

来源：https://stackoverflow.com/questions/38674623/spark-sql-on-orc-files-doesnt-return-correct-schema-column-names

5条答案

按热度按时间

fumotvh31#

我们可以使用： val df = hiveContext.read.table("tableName") 你的 df.schema 或者 df.columns 将给出实际的列名。

赞(0）回复(0）举报 2021-06-28

q9yhzks02#

设置

sqlContext.setConf('spark.sql.hive.convertMetastoreOrc', 'false')

解决了这个问题。

赞(0）回复(0）举报 2021-06-28

r7xajy2e3#

如果你也有Parquet地板版本，你可以复制列名，这就是我做的（同样，日期列是orc的分区键，所以必须将它移到末尾）：

tx = sqlContext.table("tx_parquet")
df = sqlContext.table("tx_orc")
tx_cols = tx.schema.names
tx_cols.remove('started_at_date')
tx_cols.append('started_at_date') #move it to end

# fix column names for orc

oldColumns = df.schema.names
newColumns = tx_cols
df = functools.reduce(
    lambda df, idx: df.withColumnRenamed(
        oldColumns[idx], newColumns[idx]), range(
            len(oldColumns)), df)

赞(0）回复(0）举报 2021-06-28

q9rjltbz4#

若版本升级不是一个可用的选项，那个么快速修复方法就是使用pig重写orc文件。这似乎很管用。

赞(0）回复(0）举报 2021-06-28

n6lpvg4x5#

问题是hive版本是1.2.1，它有一个错误hive-4243
这是在2.0.0中修复的。

赞(0）回复(0）举报 2021-06-28