将数据从CSV文件映射到HDFS上的Hive表时出错

问题描述 投票：1回答：2

我试图通过以下步骤将数据帧加载到Hive表中：

  1. 读取源表并将数据帧保存为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()
  2. 根据我的Hive表列对列进行排序我的hive表列以字符串格式存在于字符串中： 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”中读取的列的顺序与“hiveColumnOrder”相同，只是为了确保顺序，我使用selectExpr再次选择yearDF中的列
  3. 将数据帧保存为HDFS上的CSV文件： newDF.write.format("CSV").save("hdfs://username/apps/hive/warehouse/database.db/lines_test_data56/")
  4. 保存数据帧后，我从“hiveCols”中获取相同的列，准备一个DDL以在同一位置创建一个hive表，其值以逗号分隔，如下所示：

如果不存在，则创建表schema.tablename（col1 coldatatype，col2 coldatatype，col3 coldatatype，col4 coldatatype ... col200数据类型） 由'，'终止的行格式删除字段 存储为文本文件

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

在我将数据框加载到创建的表后，我在这里遇到的问题是当我查询表时，我在查询中得到了不正确的输出。例如：如果我在将数据保存为文件之前对数据帧应用以下查询：

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

我得到了正确的输出。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]

但是在将数据帧保存在CSV文件中之后，在其上创建一个表（步骤4）并在创建的表上应用相同的查询，我看到数据混乱并且与列不正确地映射：

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       |                 |

所以我尝试使用另一种方法，我在前面创建了hive表，并从dataframe中插入数据：

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

如果我在作业完成后运行上述选择查询，即使这样也会失败。我尝试使用refresh table schema.table和msckrepair table schema.table刷新表，只是为了查看元数据是否有任何问题，但似乎没有任何问题。

任何人都可以让我知道造成这种现象的原因，我在这里操作数据的方式有什么问题吗？

apache-spark hadoop hive apache-spark-sql
2个回答
0
投票

代码使用Spark 2.3.2进行测试

而是从CSV文件创建Spark数据帧，然后将其注册为Hive Table，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，您可以作为Hive用户运行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，您可以在HDFS目录中加载所有csv_files（或者您可以指定一个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' "
    )

并在最后注册Spark sqlContext对象作为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",
)
0
投票

我在Hive DDL中使用了rowformat serde：org.apache.hadoop.hive.serde2.OpenCSVSerde。这也有'，'作为默认分隔符char，我没有给出任何其他分隔符。

最新问题
© www.soinside.com 2019 - 2024. All rights reserved.