HQL 抛出 ArrayList 无法转换为 org.apache.hadoop.io.Text

Question

我有一个查询在减少时失败，抛出的错误是：

Error: Error while processing statement: FAILED: Execution Error, return code 2 from org.apache.hadoop.hive.ql.exec.mr.MapRedTask (state=08S01,code=2)

但是，当深入了解 YARN 日志时，我发现了这一点：

错误：java.lang.RuntimeException: org.apache.hadoop.hive.ql.metadata.HiveException: Hive 运行时错误，同时处理行 (tag=0) {"key":{"reducesinkkey0":"2020-05 -05","re​​ducesinkkey1":10039,"reducesinkkey2":103,"reducesinkkey3":"2020-05-05","re​​ducesinkkey4":10039,"reducesinkkey5":103},"value":{"_col0": 103,"_col1":["1","2"]}} 在 org.apache.hadoop.hive.ql.exec.mr.ExecReducer.reduce(ExecReducer.java:265) 在 org.apache.hadoop.mapred .ReduceTask.runOldReducer(ReduceTask.java:444) 在 org.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:392) 在 org.apache.hadoop.mapred.YarnChild$2.run(YarnChild.java:164)在 java.security.AccessController.doPrivileged(Native Method) 在 javax.security.auth.Subject.doAs(Subject.java:422) 在 org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1920) 在 org .apache.hadoop.mapred.YarnChild.main(YarnChild.java:158) 原因：org.apache.hadoop.hive.ql.metadata.HiveException: Hive Runtime Error while processing row (tag=0) {"key": {"r educesinkkey0":"2020-05-05","re​​ducesinkkey1":10039,"reducesinkkey2":103,"reducesinkkey3":"2020-05-05","re​​ducesinkkey4":10039,"reducesinkkey5":103},"value ":{"_col0":103,"_col1":["1","2"]}} 在 org.apache.hadoop.hive.ql.exec.mr.ExecReducer.reduce(ExecReducer.java:253) 。 .. 7 更多原因：java.lang.ClassCastException: java.util.ArrayList 无法转换为 org.apache.hadoop.io.Text

最相关的部分是：

java.util.ArrayList 无法转换为 org.apache.hadoop.io.Text

这是我正在执行的查询（仅供参考：这是更大查询中的子查询）：

SELECT
    yyyy_mm_dd,
    h_id,
    MAX(CASE WHEN rn=1 THEN prov_id ELSE NULL END) OVER (partition by yyyy_mm_dd, h_id) as primary_prov,
    collect_set(api) OVER (partition by yyyy_mm_dd, h_id, p_id) prov_id_api, --re-assemple array to include all elements from multiple initial arrays if there are different arrays per prov_id
    prov_id
FROM(
    SELECT --get "primary prov" (first element in ascending array))
        yyyy_mm_dd,
        h_id,
        prov_id,
        api,
        ROW_NUMBER() OVER(PARTITION BY yyyy_mm_dd, h_id ORDER BY api) rn
    FROM(
        SELECT --explode array to get data at row level
            t.yyyy_mm_dd,
            t.h_id,
            prov_id,
            collect_set(--array of integers, use set to remove duplicates
                CASE
                    WHEN e.apis_xml_element = 'res' THEN 1
                    WHEN e.apis_xml_element = 'av'  THEN 2
                    ...
                    ...
                    ELSE e.apis_xml_element
                END) as api
        FROM
            mytable t
            LATERAL VIEW EXPLODE(apis_xml) e AS apis_xml_element
        WHERE
            yyyy_mm_dd = "2020-05-05"
            AND t.apis_xml IS NOT NULL
        GROUP BY
            1,2,3
        )s
    )s

我已将问题进一步缩小到*选择，因为内部选择本身可以正常工作，这让我相信问题在这里特别发生：

collect_set(api) OVER (partition by yyyy_mm_dd, h_id, prov_id) prov_id_api

但是，我不确定如何解决它。在最内部的选择中，apis_xml 是一个 array<string>，它将诸如 'res' 和 'av' 之类的字符串保存到一个点为止。然后使用整数。因此使用 case 语句来对齐这些。

奇怪的是，如果我通过 Spark 运行它，即spark.sql=(above_query)，它可以工作。但是，在通过 HQL 的直线上，作业会被终止。

Answer 1

删除内部查询中的collect_set，因为它已经产生了数组，上面的collect_set应该接收标量。还要在内部查询中删除 group by，因为没有 collect_set 就不再有聚合。如果需要删除重复项，可以使用 DISTINCT