【发布时间】:2019-05-30 18:21:24
【问题描述】:
我尝试通过时间戳列update_database_time 拆分 Spark 数据帧,并将其写入具有定义的 Avro 架构的 HDFS。但是,在调用重新分区方法后,我得到了这个异常:
Caused by: org.apache.spark.sql.avro.IncompatibleSchemaException: Cannot convert Catalyst type StructType(StructField(random_pk,DecimalType(38,0),true), StructField(random_string,StringType,true), StructField(code,StringType,true), StructField(random_bool,BooleanType,true), StructField(random_int,IntegerType,true), StructField(random_float,DoubleType,true), StructField(random_double,DoubleType,true), StructField(random_enum,StringType,true), StructField(random_date,DateType,true), StructField(random_decimal,DecimalType(4,2),true), StructField(update_database_time_tz,TimestampType,true), StructField(random_money,DecimalType(19,4),true)) to Avro type {"type":"record","name":"TestData","namespace":"DWH","fields":[{"name":"random_pk","type":["null",{"type":"bytes","logicalType":"decimal","precision":38,"scale":0}]},{"name":"random_string","type":["string","null"]},{"name":"code","type":["string","null"]},{"name":"random_bool","type":["boolean","null"]},{"name":"random_int","type":["int","null"]},{"name":"random_float","type":["double","null"]},{"name":"random_double","type":["double","null"]},{"name":"random_enum","type":["null",{"type":"enum","name":"enumType","symbols":["VAL_1","VAL_2","VAL_3"]}]},{"name":"random_date","type":["null",{"type":"int","logicalType":"date"}]},{"name":"random_decimal","type":["null",{"type":"bytes","logicalType":"decimal","precision":4,"scale":2}]},{"name":"update_database_time","type":["null",{"type":"long","logicalType":"timestamp-millis"}]},{"name":"update_database_time_tz","type":["null",{"type":"long","logicalType":"timestamp-millis"}]},{"name":"random_money","type":["null",{"type":"bytes","logicalType":"decimal","precision":19,"scale":4}]}]}.
我假设用于分区的列在结果中消失了。如何重新定义操作以使其不会发生?
这是我使用的代码:
dataDF.write
.partitionBy("update_database_time")
.format("avro")
.option(
"avroSchema",
SchemaRegistry.getSchema(
schemaRegistryConfig.url,
schemaRegistryConfig.dataSchemaSubject,
schemaRegistryConfig.dataSchemaVersion))
.save(s"${hdfsURL}${pathToSave}")
【问题讨论】:
-
通常分区列不应该是要保存的架构的一部分。在 hdfs 中,保存功能将使用该信息创建文件夹。如果你在 hive 中读取这个 avro 文件,它应该根据文件夹结构创建 update_database_time 列的表示。
-
问题是我需要用分区数据重命名目录。因此,当我要在 Hive 中读回它时,目录名称将没有列名:update_database_time_2019-04-12 而我将使用 2019-04-12 作为目录名称。对于这个问题,我应该使用其他东西而不是分区依据吗?
-
如果您启用了 hivesupport,您可以直接将带有分区文件夹的 DF 写入 hive 元存储。为什么要先写入 hdfs 然后重命名文件夹?
-
问题是管道的构建方式是我需要先写入 HDFS,然后才将数据推送到 Hive 元存储
-
什么是推送到 hive 的过程以及通过该过程推送的其他内容的一般文件结构是什么?如果您不关心使用这些字段拆分数据,还有其他(通常是更好的)方法可以对数据进行分区。通常,partitionby 用于已包含在数据中的字段,因为它为您的数据创建逻辑上可理解的分区,这些分区易于在磁盘上导航。但你不必那样做。
标签: scala apache-spark apache-spark-sql avro