scala - 无法使用 spark shell 在 hdfs 中创建 Parquet 文件

Question

我想在 hdfs 中创建 parquet 文件，然后通过 hive 将其作为外部表读取。在编写 Parquet 文件时，我对 spark-shell 中的阶段失败感到震惊。

星火版本:1.5.2 斯卡拉版本:2.10.4 Java:1.7

输入文件:(employee.txt)

1201，萨蒂什，25岁
1202，克里希纳，28岁
1203，阿米斯，39岁
1204，贾韦德，23
1205,普鲁德维,23

在 Spark-Shell 中:

val sqlContext = new org.apache.spark.sql.SQLContext(sc)
val hiveContext = new org.apache.spark.sql.hive.HiveContext(sc)
val employee = sc.textFile("employee.txt")
employee.first()
val schemaString = "id name age"
import org.apache.spark.sql.Row;
import org.apache.spark.sql.types.{StructType, StructField, StringType};
val schema = StructType(schemaString.split(" ").map(fieldName ⇒ StructField(fieldName, StringType, true)))
val rowRDD = employee.map(_.split(",")).map(e ⇒ Row(e(0).trim.toInt, e(1), e(2).trim.toInt))
val employeeDF = sqlContext.createDataFrame(rowRDD, schema)
val finalDF = employeeDF.toDF();
sqlContext.setConf("spark.sql.parquet.compression.codec", "snappy")
var WriteParquet= finalDF.write.parquet("/user/myname/schemaParquet")

当我输入最后一条命令时，

ERROR

SPARK APPLICATION MANAGER

我什至尝试增加执行程序内存，但仍然失败。 同样重要的是，finalDF.show() 产生了同样的错误。 所以，我认为我在这里犯了一个逻辑错误。

感谢支持

Answer 1

这里的问题是您正在创建一个所有字段/列类型默认为 StringType 的模式。但是在架构中传递值时，Id 和 Age 的值根据代码被转换为 Integer。因此，在运行时抛出 Matcherror。

模式中列的数据类型应该与传递给它的值的数据类型相匹配。试试下面的代码。

val sqlContext = new org.apache.spark.sql.SQLContext(sc)
val hiveContext = new org.apache.spark.sql.hive.HiveContext(sc)
val employee = sc.textFile("employee.txt")
employee.first()
//val schemaString = "id name age"
import org.apache.spark.sql.Row;
import org.apache.spark.sql.types._;
val schema = StructType(StructField("id", IntegerType, true) :: StructField("name", StringType, true) :: StructField("age", IntegerType, true) :: Nil)
val rowRDD = employee.map(_.split(" ")).map(e ⇒ Row(e(0).trim.toInt, e(1), e(2).trim.toInt))
val employeeDF = sqlContext.createDataFrame(rowRDD, schema)
val finalDF = employeeDF.toDF();
sqlContext.setConf("spark.sql.parquet.compression.codec", "snappy")
var WriteParquet= finalDF.write.parquet("/user/myname/schemaParquet")

这段代码应该可以正常运行。