Apache spark 覆盖spark数据帧写入方法中的特定分区
我想覆盖特定的分区,而不是spark中的所有分区。我正在尝试以下命令:Apache spark 覆盖spark数据帧写入方法中的特定分区,apache-spark,apache-spark-sql,spark-dataframe,Apache Spark,Apache Spark Sql,Spark Dataframe,我想覆盖特定的分区,而不是spark中的所有分区。我正在尝试以下命令: df.write.orc('maprfs:///hdfs-base-path','overwrite',partitionBy='col4') 其中df是具有要覆盖的增量数据的数据帧 hdfs基本路径包含主数据 当我尝试上面的命令时,它会删除所有分区,并将df中存在的分区插入hdfs路径 我的要求是只覆盖df中指定hdfs路径上的那些分区。有人能帮我一下吗?这是一个常见的问题。Spark高达2.0的唯一解决方案是直接写入分
df.write.orc('maprfs:///hdfs-base-path','overwrite',partitionBy='col4')
其中df是具有要覆盖的增量数据的数据帧
hdfs基本路径包含主数据
当我尝试上面的命令时,它会删除所有分区,并将df中存在的分区插入hdfs路径
我的要求是只覆盖df中指定hdfs路径上的那些分区。有人能帮我一下吗?这是一个常见的问题。Spark高达2.0的唯一解决方案是直接写入分区目录,例如
df.write.mode(SaveMode.Overwrite).save("/root/path/to/data/partition_col=value")
如果您使用的是Spark 2.0之前的版本,则需要使用以下方法阻止Spark发出元数据文件(因为它们会破坏自动分区发现):
如果您使用的是Spark 1.6.2之前的版本,您还需要删除/root/path/to/data/partition\u col=value
中的\u SUCCESS
文件,否则它的存在将中断自动分区发现。(我强烈建议使用1.6.2或更高版本。)
您可以从我的Spark Summit谈话中获得有关如何管理大型分区表的更多详细信息。使用Spark 1.6
HiveContext可以大大简化此过程。关键是您必须首先使用定义了分区的createexternaltable
语句在配置单元中创建表。例如:
# Hive SQL
CREATE EXTERNAL TABLE test
(name STRING)
PARTITIONED BY
(age INT)
STORED AS PARQUET
LOCATION 'hdfs:///tmp/tables/test'
从这里开始,假设您有一个数据框,其中包含特定分区(或多个分区)的新记录。您可以使用HiveContext SQL语句使用此数据框执行INSERT OVERWRITE
,这将仅覆盖数据框中包含的分区的表:
# PySpark
hiveContext = HiveContext(sc)
update_dataframe.registerTempTable('update_dataframe')
hiveContext.sql("""INSERT OVERWRITE TABLE test PARTITION (age)
SELECT name, age
FROM update_dataframe""")
注意:update\u dataframe
在本例中具有与目标test
表匹配的架构
这种方法容易犯的一个错误是跳过配置单元中的createexternaltable
步骤,只使用dataframeapi的write方法生成表。特别是对于基于拼花地板的表,该表的定义不适合支持配置单元的插入覆盖。。。分区
函数
希望这有帮助 如果使用DataFrame,可能需要在数据上使用配置单元表。 在这种情况下,您只需要调用方法
df.write.mode(SaveMode.Overwrite).partitionBy("partition_col").insertInto(table_name)
它将覆盖DataFrame包含的分区
没有必要指定格式(orc),因为Spark将使用配置单元表格式
它在Spark版本1.6中运行良好您可以执行类似操作以使作业可重入(幂等): (在spark 2.2上试用过)
#删除分区
drop_query=“ALTER TABLE_name drop IF EXISTS PARTITION(PARTITION_col='{val}')”。格式(val=target_PARTITION)
打印下拉查询
sql(drop\u查询)
#删除目录
dbutils.fs.rm(,recurse=True)
#加载分区
写\
.partitionBy(“partition_col”)\
.saveAsTable(表名,format=“parquet”,mode=“append”,path=)
终于!这现在是Spark 2.3.0中的一项功能:
要使用它,您需要将spark.sql.sources.partitionOverwriteMode设置为dynamic,数据集需要分区,写入模式为overwrite。例如:
spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
data.write.mode("overwrite").insertInto("partitioned_table")
我建议在编写之前根据分区列进行重新分区,这样每个文件夹就不会有400个文件
在Spark 2.3.0之前,最好的解决方案是启动SQL语句删除这些分区,然后使用模式append写入它们。我建议您进行清理,然后使用模式append写入新分区:
import scala.sys.process._
def deletePath(path: String): Unit = {
s"hdfs dfs -rm -r -skipTrash $path".!
}
df.select(partitionColumn).distinct.collect().foreach(p => {
val partition = p.getAs[String](partitionColumn)
deletePath(s"$path/$partitionColumn=$partition")
})
df.write.partitionBy(partitionColumn).mode(SaveMode.Append).orc(path)
这将只删除新分区。写入数据后,如果需要更新metastore,请运行此命令:
sparkSession.sql(s"MSCK REPAIR TABLE $db.$table")
注意:
deletePath
假设系统上有可用的hfds
命令。我尝试了下面的方法来覆盖配置单元表中的特定分区
### load Data and check records
raw_df = spark.table("test.original")
raw_df.count()
lets say this table is partitioned based on column : **c_birth_year** and we would like to update the partition for year less than 1925
### Check data in few partitions.
sample = raw_df.filter(col("c_birth_year") <= 1925).select("c_customer_sk", "c_preferred_cust_flag")
print "Number of records: ", sample.count()
sample.show()
### Back-up the partitions before deletion
raw_df.filter(col("c_birth_year") <= 1925).write.saveAsTable("test.original_bkp", mode = "overwrite")
### UDF : To delete particular partition.
def delete_part(table, part):
qry = "ALTER TABLE " + table + " DROP IF EXISTS PARTITION (c_birth_year = " + str(part) + ")"
spark.sql(qry)
### Delete partitions
part_df = raw_df.filter(col("c_birth_year") <= 1925).select("c_birth_year").distinct()
part_list = part_df.rdd.map(lambda x : x[0]).collect()
table = "test.original"
for p in part_list:
delete_part(table, p)
### Do the required Changes to the columns in partitions
df = spark.table("test.original_bkp")
newdf = df.withColumn("c_preferred_cust_flag", lit("Y"))
newdf.select("c_customer_sk", "c_preferred_cust_flag").show()
### Write the Partitions back to Original table
newdf.write.insertInto("test.original")
### Verify data in Original table
orginial.filter(col("c_birth_year") <= 1925).select("c_customer_sk", "c_preferred_cust_flag").show()
Hope it helps.
Regards,
Neeraj
###加载数据并检查记录
原始df=火花表(“原始测试”)
原始密度计数()
假设此表是根据列:*c_birth_year**进行分区的,我们希望在1925年之前更新分区
###检查几个分区中的数据。
sample=raw_df.filter(col(“c_birth_year”)我建议您创建一个类似于目标表的临时表,并在其中插入数据,而不是直接写入目标表
CREATE TABLE tmpTbl LIKE trgtTbl LOCATION '<tmpLocation';
然后,通过执行以下操作恢复表分区路径:
MSCK REPAIR TABLE tmpTbl;
通过查询配置单元元数据获取分区路径,如:
SHOW PARTITONS tmpTbl;
从trgtTbl
中删除这些分区,并将目录从tmpTbl
移动到trgtTbl
,正如jatin所写,您可以从配置单元和路径中删除分区,然后追加数据
由于我在这方面浪费了太多时间,我为其他spark用户添加了以下示例。
我在spark 2.2.1中使用了Scala
import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.Path
import org.apache.spark.SparkConf
import org.apache.spark.sql.{Column, DataFrame, SaveMode, SparkSession}
case class DataExample(partition1: Int, partition2: String, someTest: String, id: Int)
object StackOverflowExample extends App {
//Prepare spark & Data
val sparkConf = new SparkConf()
sparkConf.setMaster(s"local[2]")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
val tableName = "my_table"
val partitions1 = List(1, 2)
val partitions2 = List("e1", "e2")
val partitionColumns = List("partition1", "partition2")
val myTablePath = "/tmp/some_example"
val someText = List("text1", "text2")
val ids = (0 until 5).toList
val listData = partitions1.flatMap(p1 => {
partitions2.flatMap(p2 => {
someText.flatMap(
text => {
ids.map(
id => DataExample(p1, p2, text, id)
)
}
)
}
)
})
val asDataFrame = spark.createDataFrame(listData)
//Delete path function
def deletePath(path: String, recursive: Boolean): Unit = {
val p = new Path(path)
val fs = p.getFileSystem(new Configuration())
fs.delete(p, recursive)
}
def tableOverwrite(df: DataFrame, partitions: List[String], path: String): Unit = {
if (spark.catalog.tableExists(tableName)) {
//clean partitions
val asColumns = partitions.map(c => new Column(c))
val relevantPartitions = df.select(asColumns: _*).distinct().collect()
val partitionToRemove = relevantPartitions.map(row => {
val fields = row.schema.fields
s"ALTER TABLE ${tableName} DROP IF EXISTS PARTITION " +
s"${fields.map(field => s"${field.name}='${row.getAs(field.name)}'").mkString("(", ",", ")")} PURGE"
})
val cleanFolders = relevantPartitions.map(partition => {
val fields = partition.schema.fields
path + fields.map(f => s"${f.name}=${partition.getAs(f.name)}").mkString("/")
})
println(s"Going to clean ${partitionToRemove.size} partitions")
partitionToRemove.foreach(partition => spark.sqlContext.sql(partition))
cleanFolders.foreach(partition => deletePath(partition, true))
}
asDataFrame.write
.options(Map("path" -> myTablePath))
.mode(SaveMode.Append)
.partitionBy(partitionColumns: _*)
.saveAsTable(tableName)
}
//Now test
tableOverwrite(asDataFrame, partitionColumns, tableName)
spark.sqlContext.sql(s"select * from $tableName").show(1000)
tableOverwrite(asDataFrame, partitionColumns, tableName)
import spark.implicits._
val asLocalSet = spark.sqlContext.sql(s"select * from $tableName").as[DataExample].collect().toSet
if (asLocalSet == listData.toSet) {
println("Overwrite is working !!!")
}
}使用Scala在Spark 2.3.1上对此进行了测试。
上面的大多数答案都是写入配置单元表。但是,我想直接写入磁盘,该磁盘在该文件夹顶部有一个外部配置单元表
首先是所需的配置
val sparkSession: SparkSession = SparkSession
.builder
.enableHiveSupport()
.config("spark.sql.sources.partitionOverwriteMode", "dynamic") // Required for overwriting ONLY the required partitioned folders, and not the entire root folder
.appName("spark_write_to_dynamic_partition_folders")
此处的用法:
DataFrame
.write
.format("<required file format>")
.partitionBy("<partitioned column name>")
.mode(SaveMode.Overwrite) // This is required.
.save(s"<path_to_root_folder>")
数据帧
写
.格式(“”)
.partitionBy(“”)
.mode(SaveMode.Overwrite)//这是必需的。
.save(s“”)
在insertInto语句中添加“overwrite=True”参数可以解决以下问题:
hiveContext.setConf("hive.exec.dynamic.partition", "true")
hiveContext.setConf("hive.exec.dynamic.partition.mode", "nonstrict")
df.write.mode("overwrite").insertInto("database_name.partioned_table", overwrite=True)
默认情况下overwrite=False
。将其更改为True
允许我们覆盖df
和分区_表中包含的特定分区。这有助于我们避免使用df
覆盖分区_表的全部内容,因为>=Spark 2.3.0:
spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
data.write.insertInto("partitioned_table", overwrite=True)
这对我在AWS Glue ETL作业(Glue 1.0-Spark 2.4-Python 2)上的工作很有效。非常感谢Sim的回答。还有一些疑问,如果假设初始数据帧有大约100个分区的数据,那么我应该
DataFrame
.write
.format("<required file format>")
.partitionBy("<partitioned column name>")
.mode(SaveMode.Overwrite) // This is required.
.save(s"<path_to_root_folder>")
hiveContext.setConf("hive.exec.dynamic.partition", "true")
hiveContext.setConf("hive.exec.dynamic.partition.mode", "nonstrict")
df.write.mode("overwrite").insertInto("database_name.partioned_table", overwrite=True)
spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
data.write.insertInto("partitioned_table", overwrite=True)
spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
data.toDF().write.mode("overwrite").format("parquet").partitionBy("date", "name").save("s3://path/to/somewhere")