Apache spark 从配置单元查询时,分区表中的数据不会显示
注意这个问题不是的重复!我不使用Spark SQL进行分区!我正在保存单个拼花文件 我还使用了Databricks,它不支持蜂巢风格的SQL 我在Hive中有一个表(我使用的是Databricks),它包含两个分区。看起来是这样的:Apache spark 从配置单元查询时,分区表中的数据不会显示,apache-spark,hive,apache-spark-sql,databricks,Apache Spark,Hive,Apache Spark Sql,Databricks,注意这个问题不是的重复!我不使用Spark SQL进行分区!我正在保存单个拼花文件 我还使用了Databricks,它不支持蜂巢风格的SQL 我在Hive中有一个表(我使用的是Databricks),它包含两个分区。看起来是这样的: CREATE TABLE foo_test(`col0`STRING、`col1`STRING、`col2`STRING、`datestamp`STRING) 使用拼花地板 选择权( `序列化。格式为“1” ) 分区人(邮戳) 编辑:*这也是调用show crea
CREATE TABLE foo_test(`col0`STRING、`col1`STRING、`col2`STRING、`datestamp`STRING)
使用拼花地板
选择权(
`序列化。格式为“1”
)
分区人(邮戳)
编辑:*这也是调用show create table foo\u test的结果代码>
我已手动将两个带有Spark的分区添加到此表中:
df=spark.read.csv(文件路径格式(日期戳),头=True,推断模式=True)
partitionPath=“/mnt/foo_test/datestamp={}/”。格式(日期戳)
df.coalesce(1.write.parquet)(partitionPath,mode=“overwrite”)
/mnt/foo_测试/日期戳=20180101/
/mnt/foo_测试/日期戳=20180102/
如果我用Spark加载数据,我可以看到它在那里:
spark.read.option(“mergeSchema”,True).parquet(“/mnt/foo_test”).show()
+----+----+----+----+---------+
|col0 | col1 | col2 | col3 |邮戳|
+----+----+----+----+---------+
|福巴尔巴兹1号20180102|
|xul | qux | wom | 2 | 20180102|
|巴|福|巴| 1 | 20180102|
|qux | xul | wom | 2 | 20180102|
|富|巴|巴|零| 20180101|
|xul | qux | wom | null | 20180101|
|巴|福|巴|零| 20180101|
|qux | xul | wom | null | 20180101|
+----+----+----+----+---------+
我的问题是,如果对此配置单元表运行SQL查询,它将不会返回任何结果:
从foo_测试中选择*;
好啊
即使手动添加分区后:
spark.sql(“ALTER TABLE foo_test ADD IF NOT EXISTS PARTITION(datestamp=20180102)”)
和修理桌子:
MSCK REPAIR TABLE foo_test;
我可以看到分区是根据配置单元显示的:
显示分区foo_测试;
隔断
邮戳=20180102
邮戳=20180101
但是SELECT
不返回任何内容
以下是我的表格说明:
col0 string null
col1 string null
col2 string null
datestamp string null
# Partition Information
# col_name data_type comment
datestamp string null
# Detailed Table Information
Database default
Table foo_test
Owner root
Created Thu Apr 26 12:25:06 UTC 2018
Last Access Thu Jan 01 00:00:00 UTC 1970
Type MANAGED
Provider parquet
Table Properties [transient_lastDdlTime=1524745506]
Location dbfs:/user/hive/warehouse/foo_test
Serde Library org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe
InputFormat org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat
OutputFormat org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat
Storage Properties [serialization.format=1]
Partition Provider Catalog
这里可能有什么问题?
我不使用Spark SQL进行分区
我不同意。这不是配置单元表定义:
CREATE TABLE foo_test (`col0` STRING, `col1` STRING, `col2` STRING, `datestamp` STRING)
USING parquet
OPTIONS (
`serialization.format` '1'
)
PARTITIONED BY (datestamp)
这是一个Spark表定义
:
因此,您确实使用了Spark分区,如中所述,Spark和Hive分区方案不兼容
请注意,SparkSession.sql
在初始化SparkSession
时,只要启用了配置单元支持,就支持配置单元和Spark(Databricks平台上的默认设置)
此外,还不清楚为什么要在这里编写/mnt/foo_test/datestamp={}
,这可能是另一个问题的根源。如果您想使用本地文件API(为什么要?),Databricks会在默认情况下将其装载在/dbfs
上
由于调用addpartitions
时没有位置,因此它使用表的根路径(dbfs:/user/hive/warehouse/foo_test
,基于description
输出),因此如果您决定使用本地API,并使用默认配置,则应该写入
/dbfs/user/hive/warehouse/foo_test/datestamp=20180102
如果您使用非标准配置,最好将其包含在您的问题中
我不使用Spark SQL进行分区
我不同意。这不是配置单元表定义:
CREATE TABLE foo_test (`col0` STRING, `col1` STRING, `col2` STRING, `datestamp` STRING)
USING parquet
OPTIONS (
`serialization.format` '1'
)
PARTITIONED BY (datestamp)
这是一个Spark表定义
:
因此,您确实使用了Spark分区,如中所述,Spark和Hive分区方案不兼容
请注意,SparkSession.sql
在初始化SparkSession
时,只要启用了配置单元支持,就支持配置单元和Spark(Databricks平台上的默认设置)
此外,还不清楚为什么要在这里编写/mnt/foo_test/datestamp={}
,这可能是另一个问题的根源。如果您想使用本地文件API(为什么要?),Databricks会在默认情况下将其装载在/dbfs
上
由于调用addpartitions
时没有位置,因此它使用表的根路径(dbfs:/user/hive/warehouse/foo_test
,基于description
输出),因此如果您决定使用本地API,并使用默认配置,则应该写入
/dbfs/user/hive/warehouse/foo_test/datestamp=20180102
如果您使用非标准配置,最好将其包含在问题中。表格定义指向不同的位置
Location dbfs:/user/hive/warehouse/foo_test
它应该指向以下位置/mnt/foo_test
查找具有位置的配置单元创建表表定义指向不同的位置
Location dbfs:/user/hive/warehouse/foo_test
它应该指向以下位置/mnt/foo_test
在配置单元中创建表时,请使用位置查找配置单元创建表:
CREATE TABLE foo_test (`col0` STRING, `col1` STRING, `col2` STRING)
PARTITIONED BY (`datestamp` STRING)
stored as PARQUET
location '/mnt/foo_test';
您可以使用带分区的spark write:
df.repartition($"datestamp").partitionBy("datestamp").write.parquet(partitionPath, mode="overwrite")
这将使用分区路径/mnt/foo\u test/datestamp=***/写入配置单元表
我希望这将有助于在hive use中创建表:
CREATE TABLE foo_test (`col0` STRING, `col1` STRING, `col2` STRING)
PARTITIONED BY (`datestamp` STRING)
stored as PARQUET
location '/mnt/foo_test';
您可以使用带分区的spark write:
df.repartition($"datestamp").partitionBy("datestamp").write.parquet(partitionPath, mode="overwrite")
这将使用分区路径/mnt/foo\u test/datestamp=***/写入配置单元表
我希望这会有所帮助您没有在创建表定义中设置位置,也没有设置新添加分区的位置
在表定义中,应将其定义为外部表,并将数据路径指定为位置
或路径
参数。然后MSCK REPAIR TABLE
应该正确地添加分区
对于altertable
命令,需要设置LOCATION
参数。在这个片段中,您只是告诉表“有一个分区日期=20180102”,而没有告诉它数据在哪里
spa