Apache spark Spark SQL为字符串列上的最大值返回null
我的配置单元表是多分区的,如下所示Apache spark Spark SQL为字符串列上的最大值返回null,apache-spark,hive,apache-spark-sql,partitioning,Apache Spark,Hive,Apache Spark Sql,Partitioning,我的配置单元表是多分区的,如下所示 hive-e“显示分区mydb.mytab;” 请注意,date\u part和att\u name都存储为strings 现在,我想知道最新的分区是用于att_name=zxc的,并获取date\u部分的值。考虑到上述数据,我正在寻找2018-10-13至于其他日期,我没有对应于att_name=zxc的分区。因此,当我执行以下配置单元查询时 hive-e“从mydb.mytab中选择max(日期部分),其中att_name='zxc'” 我明白了 2018
hive-e“显示分区mydb.mytab;”
请注意,date\u part
和att\u name
都存储为strings
现在,我想知道最新的分区是用于att_name=zxc
的,并获取date\u部分的值。考虑到上述数据,我正在寻找2018-10-13
至于其他日期,我没有对应于att_name=zxc
的分区。因此,当我执行以下配置单元查询时
hive-e“从mydb.mytab中选择max(日期部分),其中att_name='zxc'”
我明白了
2018-10-13
这是完美的
接下来,我尝试用spark sql做同样的事情
import org.apache.spark.sql.SparkSession
lazy val sparkSess = SparkSession.builder
.appName("myApp")
.enableHiveSupport()
.getOrCreate()
sparkSess.sql("select max(date_part) from mydb.mytab where att_name = 'zxc'").show()
但是为了这个,我得到了
+--------------+
|max(date_part)|
+--------------+
| null|
+--------------+
我想这是因为date\u部分是一个字符串列。但是为什么配置单元查询没有问题呢
我做错了什么
这是从多分区表有条件地获取最新分区的正确方法吗
表格说明
Logging initialized using configuration in file:/etc/hive/conf.bfd-puppet/hive-log4j.properties
OK
# col_name data_type comment
id string
value string
# Partition Information
# col_name data_type comment
date_part string
att_name string
# Detailed Table Information
Database: mydb
Owner: mytab
CreateTime: some timestamp
LastAccessTime: UNKNOWN
Protect Mode: None
Retention: 0
Location: maprfs:/path/to/hive/mydb.db/mytab
Table Type: EXTERNAL_TABLE
Table Parameters:
EXTERNAL TRUE
transient_lastDdlTime 136786171357
# Storage Information
SerDe Library: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
InputFormat: org.apache.hadoop.mapred.SequenceFileInputFormat
OutputFormat: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
Compressed: No
Num Buckets: -1
Bucket Columns: []
Sort Columns: []
Storage Desc Params:
serialization.format 1
Time taken: 0.201 seconds, Fetched: 34 row(s)
打印模式
因此,对于我试图执行的查询
scala> val bsv1 = sess.sql(s"SELECT max(date_part) FROM mydb.mytab WHERE att_name='zxc'")
bsv1: org.apache.spark.sql.DataFrame = [max(date_part): string]
scala> bsv1.printSchema()
root
|-- max(date_part): string (nullable = true)
scala>
但是,当我尝试另一个查询时
scala> val bsv1 = sess.sql(s"SELECT * FROM mydb.mytab WHERE date_part='2018-12-01' and att_name='zxc'")
18/12/12 10:02:28 WARN SparkSession$Builder: Using an existing SparkSession; some configuration may not take effect.
bsv1: org.apache.spark.sql.DataFrame = [id: string, value: string ... 2 more fields]
scala> bsv1.printSchema
def printSchema(): Unit
scala> bsv1.printSchema()
root
|-- id: string (nullable = true)
|-- value: string (nullable = true)
|-- date_part: string (nullable = true)
|-- att_name: string (nullable = true)
您使用的是什么spark版本?我有2.2.0版本您可以为该表共享配置单元desc formatted
,以及printSchema
?谢谢@shay\uuuuu我已经更新了帖子
scala> val bsv1 = sess.sql(s"SELECT * FROM mydb.mytab WHERE date_part='2018-12-01' and att_name='zxc'")
18/12/12 10:02:28 WARN SparkSession$Builder: Using an existing SparkSession; some configuration may not take effect.
bsv1: org.apache.spark.sql.DataFrame = [id: string, value: string ... 2 more fields]
scala> bsv1.printSchema
def printSchema(): Unit
scala> bsv1.printSchema()
root
|-- id: string (nullable = true)
|-- value: string (nullable = true)
|-- date_part: string (nullable = true)
|-- att_name: string (nullable = true)