无法在 Spark 中配置 ORC 属性

Question

我正在使用 Spark 1.6 (Cloudera 5.8.2) 并尝试了以下方法来配置 ORC 属性。但不影响输出。

下面是我试过的代码sn-p。

 DataFrame dataframe =
                hiveContext.createDataFrame(rowData, schema);
dataframe.write().format("orc").options(new HashMap(){
            {

                put("orc.compress","SNAPPY");
                put("hive.exec.orc.default.compress","SNAPPY");

                put("orc.compress.size","524288");
                put("hive.exec.orc.default.buffer.size","524288");


                put("hive.exec.orc.compression.strategy", "COMPRESSION");

            }
        }).save("spark_orc_output");

除此之外，我还尝试了在 hive-site.xml 和 hiveContext 对象中设置的这些属性。

输出中的 hive --orcfiledump 确认未应用配置。 Orcfiledump sn ​​-p 如下。

Compression: ZLIB
Compression size: 262144

Answer 1

您在这里犯了两个不同的错误。我不怪你；我去过那里...

问题 #1
orc.compress 其余不是 Spark DataFrameWriter 选项。它们是 Hive 配置属性，必须在创建hiveContext 对象之前定义...

• hive-site.xml 在启动时可供 Spark 使用
• 或在您的代码中，通过重新创建SparkContext...

 sc.getConf.get("orc.compress","<undefined>") // depends on Hadoop conf
sc.stop
val scAlt = new org.apache.spark.SparkContext((new org.apache.spark.SparkConf).set("orc.compress","snappy"))
scAlt.getConf.get("orc.compress","<undefined>") // will now be Snappy
val hiveContextAlt = new org.apache.spark.sql.SQLContext(scAlt)

[编辑] 使用 Spark 2.x 脚本将变为...
spark.sparkContext.getConf.get("orc.compress","<undefined>") // depends on Hadoop conf
spark.close
val sparkAlt = org.apache.spark.sql.SparkSession.builder().config("orc.compress","snappy").getOrCreate()
sparkAlt.sparkContext.getConf.get("orc.compress","<undefined>") // will now be Snappy

问题 #2
Spark 使用自己的用于 ORC（以及 Parquet、JSON、CSV 等）的 SerDe 库，因此它不必遵循标准的 Hadoop/Hive 属性。

Parquet 有一些 Spark 特有的属性，它们是well documented。但同样，这些属性必须在创建（或重新创建）hiveContext之前设置。

对于 ORC 和其他格式，您必须使用特定格式的 DataFrameWriter 选项；引用最新的JavaDoc...

您可以设置以下特定于 ORC 的选项来编写 ORC 文件：
• compression（默认snappy）：压缩编解码器在何时使用 保存到文件。这可以是已知的不区分大小写的缩短之一 名称（none、snappy、zlib 和 lzo）。这将覆盖orc.compress

请注意，默认压缩编解码器已随 Spark 2 更改；之前是zlib

所以你唯一可以设置的是压缩编解码器，使用

dataframe.write().format("orc").option("compression","snappy").save("wtf")