Hive Pyspark:将数据帧插入到分区配置单元表中
如果我在这里说的很简单,我很抱歉,但是我需要一些Pyspark帮助来尝试动态覆盖配置单元表中的分区。表格被大大简化了,但我正在努力解决的问题(我希望)是清楚的。我是PySpark的新手,已经在StackOverflow中搜索了足够多的时间,终于创建了一个帐户并询问。。。!提前谢谢 我有一个巨大的分区配置单元表(HIVETABLE_TRX),它是从数据帧(TRX)构建的。我将更多数据提取为数据帧(trxup),并希望适当地附加或覆盖HIVETABLE_TRX中的相关分区Hive Pyspark:将数据帧插入到分区配置单元表中,hive,pyspark,hive-partitions,Hive,Pyspark,Hive Partitions,如果我在这里说的很简单,我很抱歉,但是我需要一些Pyspark帮助来尝试动态覆盖配置单元表中的分区。表格被大大简化了,但我正在努力解决的问题(我希望)是清楚的。我是PySpark的新手,已经在StackOverflow中搜索了足够多的时间,终于创建了一个帐户并询问。。。!提前谢谢 我有一个巨大的分区配置单元表(HIVETABLE_TRX),它是从数据帧(TRX)构建的。我将更多数据提取为数据帧(trxup),并希望适当地附加或覆盖HIVETABLE_TRX中的相关分区 Dataframe (tr
Dataframe (trx)
+---------------+----------+------+
|PRODUCT_LN_NAME|LOCAL_DATE| TRX|
+---------------+----------+------+
| HOTEL|2019-01-01|14298 |
| HOTEL|2019-01-02|19020 |
| HOTEL|2019-01-03|18927 |
+---------------+----------+------+
trx.write \
.partitionBy("PRODUCT_LN_NAME","LOCAL_DATE") \
.saveAsTable("HIVETABLE_TRX",mode='overwrite')
#Have a look at the partitioned hive table
trxchk = spark.sql("""select * from HIVETABLE_TRX""")
trxchk.show()
+------+---------------+----------+
| TRX|PRODUCT_LN_NAME|LOCAL_DATE|
+------+---------------+----------+
|14298 | HOTEL|2019-01-01|
|19020 | HOTEL|2019-01-02|
|18927 | HOTEL|2019-01-03|
+------+---------------+----------+
要添加到配置单元表中的数据帧(trxup)有一个重叠行,我要覆盖('HOTEL','2019-01-03'),还有3个增量行要追加
#Have a look at second dataframe (trxup)
+---------------+----------+------+
|PRODUCT_LN_NAME|LOCAL_DATE| TRX|
+---------------+----------+------+
| FLIGHT|2019-01-03|14410 |
| HOTEL|2019-01-03|18927 |
| FLIGHT|2019-01-04|15430 |
| HOTEL|2019-01-04|19198 |
+---------------+----------+------+
我尝试将trxup插入HIVETABLE_TRX,如下所示:
trxup.write \
.insertInto("HIVETABLE_TRX",overwrite=True)
我的理解是,这将覆盖trxup和HIVETABLE_TRX之间共有的一行,并附加其余的一行
#Have a look at HIVETABLE_TRX after the basic insertInto
trxchk2 = spark.sql("""select * from HIVETABLE_TRX""")
trxchk2.show()
+----+---------------+----------+
| TRX|PRODUCT_LN_NAME|LOCAL_DATE|
+----+---------------+----------+
|null| 2019-01-03| 14410 |
|null| 2019-01-03| 18927 |
|null| 2019-01-04| 15430 |
|null| 2019-01-04| 19198 |
+----+---------------+----------+
如您所见,它无法按名称对齐列,并覆盖HIVETABLE_TRX中的所有现有分区
Dataframe (trx)
+---------------+----------+------+
|PRODUCT_LN_NAME|LOCAL_DATE| TRX|
+---------------+----------+------+
| HOTEL|2019-01-01|14298 |
| HOTEL|2019-01-02|19020 |
| HOTEL|2019-01-03|18927 |
+---------------+----------+------+
trx.write \
.partitionBy("PRODUCT_LN_NAME","LOCAL_DATE") \
.saveAsTable("HIVETABLE_TRX",mode='overwrite')
#Have a look at the partitioned hive table
trxchk = spark.sql("""select * from HIVETABLE_TRX""")
trxchk.show()
+------+---------------+----------+
| TRX|PRODUCT_LN_NAME|LOCAL_DATE|
+------+---------------+----------+
|14298 | HOTEL|2019-01-01|
|19020 | HOTEL|2019-01-02|
|18927 | HOTEL|2019-01-03|
+------+---------------+----------+
因此:
1.如何确保插入项的列对齐?
-这是我能想到的最好的方法,虽然成功了,但感觉不应该这样做
colList = spark.sql("""select * from HIVETABLE_TRX""").columns
trxup.selectExpr(colList) \
.write \
.insertInto("HIVETABLE_TRX")
hive.exec.dynamic.partition = true
hive.exec.dynamic.partition.mode = nonstrict
spark.sql.sources.partitionOverwriteMode = dynamic
试图通过插入项上的trxup进行分区
trxup.write \
.partitionBy("PRODUCT_LN_NAME","LOCAL_DATE") \
.insertInto("PROJECT_MERCH.AM_PARTITION_TEST_TRX",overwrite=True)
AnalysisException: u"insertInto() can't be used together with partitionBy(). Partition columns have already be defined for the table. It is not necessary to use partitionBy().;"
从insertInto中删除了overwrite=True,这实际上实现了我在此时的预期(如果不是我想要的话)
+------+---------------+----------+
| TRX|PRODUCT_LN_NAME|LOCAL_DATE|
+------+---------------+----------+
|14298 | HOTEL|2019-01-01|
|19020 | HOTEL|2019-01-02|
|18927 | HOTEL|2019-01-03|
| null| 2019-01-03| 14410 |
| null| 2019-01-03| 18927 |
| null| 2019-01-04| 15430 |
| null| 2019-01-04| 19198 |
+------+---------------+----------+
我意识到我可以将trxup转换成一个分区的配置单元表(HIVETABLE_trxup),然后将它们合并在一起,但这感觉似乎不是一种最佳的方式——有点违背了分区表的目的,不是吗
trxjoined = spark.sql("""select * from HIVETABLE_TRX t full outer join HIVETABLE_TRXUP tu on t.SITE_NAME=tu.SITE_NAME and t.LOCAL_DATE=tu.LOCAL_DATE""")
spark.sql("""drop table if exists HIVETABLE_TRX""")
spark.sql("""drop table if exists HIVETABLE_TRXUP""")
trxjoined.write \
.partitionBy("SITE_NAME","LOCAL_DATE") \
.saveAsTable("HIVETABLE_TRX",mode='overwrite')
覆盖将清除表中的所有当前数据,并用数据框中的记录填充这些数据。如果您打算使用数据帧trxchk和trxup,那么您可以在Spark中执行转换,然后将最终数据发送到配置单元表。如果我误解了你的问题,请澄清我。@Joby谢谢你的关注。最终目标是HIVETABLE_TRX和数据帧trxup的组合。我不只是在Spark中合并的原因是trx表非常大,所以我一直遇到TTTransport错误,有人建议我只替换/添加相关的分区会有很大帮助。这有意义吗?@joby-修改了帖子,希望能让它更清楚。谢谢覆盖将清除表中的所有当前数据,并用数据框中的记录填充这些数据。如果您打算使用数据帧trxchk和trxup,那么您可以在Spark中执行转换,然后将最终数据发送到配置单元表。如果我误解了你的问题,请澄清我。@Joby谢谢你的关注。最终目标是HIVETABLE_TRX和数据帧trxup的组合。我不只是在Spark中合并的原因是trx表非常大,所以我一直遇到TTTransport错误,有人建议我只替换/添加相关的分区会有很大帮助。这有意义吗?@joby-修改了帖子,希望能让它更清楚。谢谢