将Spark数据帧保存为Hive中的动态分区表

Question

我有一个示例应用程序正在从csv文件读取数据帧。可以使用df.saveAsTable(tablename,mode)方法将数据帧以镶木地板格式存储到Hive表中。

上面的代码工作正常，但我每天都有如此多的数据，我想基于creationdate（表中的列）动态分区hive表。

有没有办法动态分区数据帧并将其存储到配置单元仓库。想要避免使用hivesqlcontext.sql(insert into table partittioin by(date)....)对insert语句进行硬编码。

问题可以被视为对How to save DataFrame directly to Hive?的扩展

任何帮助深表感谢。

Answer 1

我相信它的工作原理如下：

df是一个包含年，月和其他列的数据框

df.write.partitionBy('year', 'month').saveAsTable(...)

要么

df.write.partitionBy('year', 'month').insertInto(...)

Answer 2

我能够使用df.write().mode(SaveMode.Append).partitionBy("colname").saveAsTable("Table")写入分区的配置单元表

我必须启用以下属性才能使其正常工作。

hiveContext.setConf("hive.exec.dynamic.partition", "true")
hiveContext.setConf("hive.exec.dynamic.partition.mode", "nonstrict")

Answer 3

我也面对同样的事情，但使用了我解决的以下技巧。

1. 当我们将任何表分区为分区时，分区列将区分大小写。
2. 分区列应存在于具有相同名称的DataFrame中（区分大小写）。码：

   var dbName="your database name"
   var finaltable="your table name"
   
   // First check if table is available or not..
   if (sparkSession.sql("show tables in " + dbName).filter("tableName='" +finaltable + "'").collect().length == 0) {
        //If table is not available then it will create for you..
        println("Table Not Present \n  Creating table " + finaltable)
        sparkSession.sql("use Database_Name")
        sparkSession.sql("SET hive.exec.dynamic.partition = true")
        sparkSession.sql("SET hive.exec.dynamic.partition.mode = nonstrict ")
        sparkSession.sql("SET hive.exec.max.dynamic.partitions.pernode = 400")
        sparkSession.sql("create table " + dbName +"." + finaltable + "(EMP_ID        string,EMP_Name          string,EMP_Address               string,EMP_Salary    bigint)  PARTITIONED BY (EMP_DEP STRING)")
        //Table is created now insert the DataFrame in append Mode
        df.write.mode(SaveMode.Append).insertInto(empDB + "." + finaltable)
   }

Answer 4

这对我有用。我设置了这些设置，然后将数据放入分区表中。

from pyspark.sql import HiveContext
sqlContext = HiveContext(sc)
sqlContext.setConf("hive.exec.dynamic.partition", "true")
sqlContext.setConf("hive.exec.dynamic.partition.mode", 
"nonstrict")

Answer 5

这对我来说使用python和spark 2.1.0。

不确定这是否是最好的方法，但它的工作原理......

# WRITE DATA INTO A HIVE TABLE
import pyspark
from pyspark.sql import SparkSession

spark = SparkSession \
    .builder \
    .master("local[*]") \
    .config("hive.exec.dynamic.partition", "true") \
    .config("hive.exec.dynamic.partition.mode", "nonstrict") \
    .enableHiveSupport() \
    .getOrCreate()

### CREATE HIVE TABLE (with one row)
spark.sql("""
CREATE TABLE IF NOT EXISTS hive_df (col1 INT, col2 STRING, partition_bin INT)
USING HIVE OPTIONS(fileFormat 'PARQUET')
PARTITIONED BY (partition_bin)
LOCATION 'hive_df'
""")
spark.sql("""
INSERT INTO hive_df PARTITION (partition_bin = 0)
VALUES (0, 'init_record')
""")
###

### CREATE NON HIVE TABLE (with one row)
spark.sql("""
CREATE TABLE IF NOT EXISTS non_hive_df (col1 INT, col2 STRING, partition_bin INT)
USING PARQUET
PARTITIONED BY (partition_bin)
LOCATION 'non_hive_df'
""")
spark.sql("""
INSERT INTO non_hive_df PARTITION (partition_bin = 0)
VALUES (0, 'init_record')
""")
###

### ATTEMPT DYNAMIC OVERWRITE WITH EACH TABLE
spark.sql("""
INSERT OVERWRITE TABLE hive_df PARTITION (partition_bin)
VALUES (0, 'new_record', 1)
""")
spark.sql("""
INSERT OVERWRITE TABLE non_hive_df PARTITION (partition_bin)
VALUES (0, 'new_record', 1)
""")

spark.sql("SELECT * FROM hive_df").show() # 2 row dynamic overwrite
spark.sql("SELECT * FROM non_hive_df").show() # 1 row full table overwrite