apache-spark - 将数据从 CSV 文件映射到 HDFS 上的 Hive 表时出错

Question

我正在尝试按照以下步骤将数据框加载到 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. 按照我的 Hive 表列对列进行排序 我的配置单元表列以以下格式的字符串存在:

   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，为了确保顺序，我再次使用 selectExpr 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. 保存数据框后，我从“hiveCols”中获取相同的列， 准备一个 DDL 以在相同位置创建一个配置单元表，其值按给定的逗号分隔 下面:

create table if not exists schema.tablename(col1 coldatatype,col2 coldatatype,col3 coldatatype,col4 coldatatype...col200 datatype)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE

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

在我将数据框加载到创建的表中之后，我在这里面临的问题是当我查询表时，我在查询中得到不正确的输出。 例如:如果我在将数据框保存为文件之前对数据框应用以下查询:

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]

但是在将数据框保存到 CSV 文件中之后，在其之上创建一个表(第 4 步)并对创建的表应用相同的查询，我发现数据是困惑的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       |                 |

所以我尝试使用一种不同的方法，即预先创建配置单元表并将数据从数据帧插入其中:

• 运行上面第 4 步中的 DDL
• finalDF.createOrReplaceTempView("tmpTable")
• spark.sql("insert into schema.table select * from tmpTable")

如果我在作业完成后运行上述选择查询，即使这种方式也会失败。 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，但似乎没有任何效果。

谁能告诉我是什么原因造成的，我这里操作数据的方式有什么问题吗？

Answer 1

代码使用 Spark 2.3.2 测试

---

无需从 CSV 文件创建 Spark 数据框，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，您可以加载 HDFS 目录中的所有 csv_files(或者您可以只给出一个 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 上创建一个 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)。

这里是需要的依赖:

 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",
)