Spark SQL - 无法将所有记录写入配置单元表答案

【问题标题】：Spark SQL - Can not write all records to the hive tableSpark SQL - 无法将所有记录写入配置单元表
【发布时间】：2021-03-12 23:33:00
【问题描述】：

我是 Apache Spark 框架的新手，我正在使用 ApacheSpark 通过 Hive 将数据写入 Hadoop。

在下面的代码中，我从 hive 中读取 table_1 并创建数据集，然后将此数据集映射到另一个数据集。毕竟将结果数据集保存到另一个 table_2。

public static void main(String[] args) {
    Dataset<Row> ipSet = spark.sql("Select distinct ip from table_1");
    ipSet.map(new TestFunction(), Encoders.bean(MyPojoClass.class)).write().mode("append").insertInto("table_2");
}


// ...
public class TestFunction implements MapFunction<Row, MyPojoClass>
{
 
    private static List<..> staticData;
    private static boolean callOnce = false;

    private static void initStaticData() throws IOException
    {
        staticData = // set the data,
        callOnce = true;
    }


    @Override
    public MyPojoClass call(Row value) throws Exception {
        if (!calledOnce)
            initStaticData();
        String ip = value.getAs("ip");
        return new MyPojoClass(ip);
    }
}

两个不同表中的行数应该相同，但是结果数据集/table_2中的行数不同。

例如，table_1 有 9.000.000 个不同的行，而 table_2 有 42.000 个不同的行。我该如何解决这个问题？（或者我错过了一些关于火花的概念？）

【问题讨论】：

您正在以不同的方式读取整个 table_1，因此您只在 table_2 中写入不同的值。同样在附加模式下，因此如果 table_2 中已经存在任何先前的值，则将被保留。他们都应该有相同的行数似乎很奇怪
@SCouto 9.000.000 是不同的数字。因此 table_2 必须有 9.000.000 个不同的行！
我对 Spark 和 Java 不太熟练，但对我来说似乎是对的。也许问题是表的元数据没有更新？执行插入后尝试在 table_2 上运行 MSCK 修复表，然后再次检查

标签： java apache-spark apache-spark-sql

【解决方案1】：

我过去也遇到过类似的问题。

主要是spark SQL row函数getAs.

GetAsAPI getAs（字符串字段名）返回给定 fieldName 的值。对于原始类型，如果值为 null，则返回特定于原始类型的“零值”，即。 0 表示 Int。

因此，您的 IP 地址可能在大多数情况下为空，而其他数据的行为可能与代码中“ip”的空值或 0 值相同。

【讨论】：