覆盖火花数据帧写入方法中的特定分区

Question

我想在 spark 中覆盖特定分区而不是全部。我正在尝试以下命令：

df.write.orc('maprfs:///hdfs-base-path','overwrite',partitionBy='col4')

其中 df 是具有要覆盖的增量数据的数据帧。

hdfs-base-path 包含主数据。

当我尝试上述命令时，它会删除所有分区，并将 df 中存在的分区插入 hdfs 路径。

我的要求是仅覆盖指定 hdfs 路径中 df 中存在的那些分区。有人可以帮我吗？

Answer 1

这是一个常见问题。 Spark 到 2.0 的唯一解决方案是直接写入分区目录，例如，

df.write.mode(SaveMode.Overwrite).save("/root/path/to/data/partition_col=value")

如果您使用的是 2.0 之前的 Spark，您需要使用以下方法阻止 Spark 发出元数据文件（因为它们会破坏自动分区发现）：

sc.hadoopConfiguration.set("parquet.enable.summary-metadata", "false")

如果您使用的是 1.6.2 之前的 Spark，您还需要删除 /root/path/to/data/partition_col=value 中的 _SUCCESS 文件，否则它的存在会破坏自动分区发现。 （我强烈建议使用 1.6.2 或更高版本。）

您可以从我的 Spark 峰会 Bulletproof Jobs 上的演讲中获得有关如何管理大型分区表的更多详细信息。

Answer 2

使用 Spark 1.6...

HiveContext 可以大大简化这个过程。关键是您必须首先使用 CREATE EXTERNAL TABLE 语句在 Hive 中创建表并定义分区。例如：

# Hive SQL
CREATE EXTERNAL TABLE test
(name STRING)
PARTITIONED BY
(age INT)
STORED AS PARQUET
LOCATION 'hdfs:///tmp/tables/test'

从这里，假设您有一个 Dataframe，其中包含特定分区（或多个分区）的新记录。您可以使用 HiveContext SQL 语句使用此 Dataframe 执行 INSERT OVERWRITE，这将仅覆盖 Dataframe 中包含的分区的表：

# PySpark
hiveContext = HiveContext(sc)
update_dataframe.registerTempTable('update_dataframe')

hiveContext.sql("""INSERT OVERWRITE TABLE test PARTITION (age)
                   SELECT name, age
                   FROM update_dataframe""")

注意：此示例中的 update_dataframe 的架构与目标 test 表的架构相匹配。

使用这种方法容易犯的一个错误是跳过 Hive 中的 CREATE EXTERNAL TABLE 步骤，而只使用 Dataframe API 的 write 方法创建表。特别是对于基于 Parquet 的表，不会适当地定义该表以支持 Hive 的 INSERT OVERWRITE... PARTITION 函数。

希望这会有所帮助。

Answer 3

如果你使用 DataFrame，可能你想使用 Hive 表而不是数据。 在这种情况下，您只需要调用方法

df.write.mode(SaveMode.Overwrite).partitionBy("partition_col").insertInto(table_name)

它将覆盖 DataFrame 包含的分区。

不必指定格式（orc），因为 Spark 将使用 Hive 表格式。

在 Spark 1.6 版中运行良好

Answer 4

您可以执行以下操作来使作业可重入（幂等）： （在 spark 2.2 上试过这个）

# drop the partition
drop_query = "ALTER TABLE table_name DROP IF EXISTS PARTITION (partition_col='{val}')".format(val=target_partition)
print drop_query
spark.sql(drop_query)

# delete directory
dbutils.fs.rm(<partition_directoy>,recurse=True)

# Load the partition
df.write\
  .partitionBy("partition_col")\
  .saveAsTable(table_name, format = "parquet", mode = "append", path = <path to parquet>)

Answer 5

终于！这现在是 Spark 2.3.0 中的一个功能： SPARK-20236

要使用它，需要将spark.sql.sources.partitionOverwriteMode设置为动态，数据集需要分区，写入模式overwrite。示例：

spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
data.write.mode("overwrite").insertInto("partitioned_table")

我建议在写入之前根据您的分区列重新分区，这样您就不会最终每个文件夹有 400 个文件。

在 Spark 2.3.0 之前，最好的解决方案是启动 SQL 语句来删除这些分区，然后以 append 模式写入。

Answer 6

我建议您先进行清理，然后使用Append 模式写入新分区：

import scala.sys.process._
def deletePath(path: String): Unit = {
    s"hdfs dfs -rm -r -skipTrash $path".!
}

df.select(partitionColumn).distinct.collect().foreach(p => {
    val partition = p.getAs[String](partitionColumn)
    deletePath(s"$path/$partitionColumn=$partition")
})

df.write.partitionBy(partitionColumn).mode(SaveMode.Append).orc(path)

这将只删除新分区。写入数据后，如果需要更新 Metastore，请运行此命令：

sparkSession.sql(s"MSCK REPAIR TABLE $db.$table")

注意：deletePath 假定您的系统上有 hfds 命令可用。

Answer 7

我尝试了以下方法来覆盖 HIVE 表中的特定分区。

### load Data and check records
    raw_df = spark.table("test.original")
    raw_df.count()

lets say this table is partitioned based on column : **c_birth_year** and we would like to update the partition for year less than 1925


### Check data in few partitions.
    sample = raw_df.filter(col("c_birth_year") <= 1925).select("c_customer_sk", "c_preferred_cust_flag")
    print "Number of records: ", sample.count()
    sample.show()


### Back-up the partitions before deletion
    raw_df.filter(col("c_birth_year") <= 1925).write.saveAsTable("test.original_bkp", mode = "overwrite")


### UDF : To delete particular partition.
    def delete_part(table, part):
        qry = "ALTER TABLE " + table + " DROP IF EXISTS PARTITION (c_birth_year = " + str(part) + ")"
        spark.sql(qry)


### Delete partitions
    part_df = raw_df.filter(col("c_birth_year") <= 1925).select("c_birth_year").distinct()
    part_list = part_df.rdd.map(lambda x : x[0]).collect()

    table = "test.original"
    for p in part_list:
        delete_part(table, p)


### Do the required Changes to the columns in partitions
    df = spark.table("test.original_bkp")
    newdf = df.withColumn("c_preferred_cust_flag", lit("Y"))
    newdf.select("c_customer_sk", "c_preferred_cust_flag").show()


### Write the Partitions back to Original table
    newdf.write.insertInto("test.original")


### Verify data in Original table
    orginial.filter(col("c_birth_year") <= 1925).select("c_customer_sk", "c_preferred_cust_flag").show()



Hope it helps.

Regards,

Neeraj

Answer 8

我建议您创建一个像目标表一样的临时表并将数据插入其中，而不是直接写入目标表。

CREATE TABLE tmpTbl LIKE trgtTbl LOCATION '<tmpLocation';

创建表后，您可以将数据写入tmpLocation

df.write.mode("overwrite").partitionBy("p_col").orc(tmpLocation)

然后你可以通过执行来恢复表分区路径：

MSCK REPAIR TABLE tmpTbl;

通过查询 Hive 元数据来获取分区路径，例如：

SHOW PARTITONS tmpTbl;

从trgtTbl 中删除这些分区并将目录从tmpTbl 移动到trgtTbl

Answer 9

正如 jatin 所写，您可以从配置单元和路径中删除分区，然后附加数据 由于我浪费了太多时间，我为其他 spark 用户添加了以下示例。 我使用 Scala 和 spark 2.2.1

  import org.apache.hadoop.conf.Configuration
  import org.apache.hadoop.fs.Path
  import org.apache.spark.SparkConf
  import org.apache.spark.sql.{Column, DataFrame, SaveMode, SparkSession}

  case class DataExample(partition1: Int, partition2: String, someTest: String, id: Int)

 object StackOverflowExample extends App {
//Prepare spark & Data
val sparkConf = new SparkConf()
sparkConf.setMaster(s"local[2]")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
val tableName = "my_table"

val partitions1 = List(1, 2)
val partitions2 = List("e1", "e2")
val partitionColumns = List("partition1", "partition2")
val myTablePath = "/tmp/some_example"

val someText = List("text1", "text2")
val ids = (0 until 5).toList

val listData = partitions1.flatMap(p1 => {
  partitions2.flatMap(p2 => {
    someText.flatMap(
      text => {
        ids.map(
          id => DataExample(p1, p2, text, id)
        )
      }
    )
  }
  )
})

val asDataFrame = spark.createDataFrame(listData)

//Delete path function
def deletePath(path: String, recursive: Boolean): Unit = {
  val p = new Path(path)
  val fs = p.getFileSystem(new Configuration())
  fs.delete(p, recursive)
}

def tableOverwrite(df: DataFrame, partitions: List[String], path: String): Unit = {
  if (spark.catalog.tableExists(tableName)) {
    //clean partitions
    val asColumns = partitions.map(c => new Column(c))
    val relevantPartitions = df.select(asColumns: _*).distinct().collect()
    val partitionToRemove = relevantPartitions.map(row => {
      val fields = row.schema.fields
      s"ALTER TABLE ${tableName} DROP IF EXISTS PARTITION " +
        s"${fields.map(field => s"${field.name}='${row.getAs(field.name)}'").mkString("(", ",", ")")} PURGE"
    })

    val cleanFolders = relevantPartitions.map(partition => {
      val fields = partition.schema.fields
      path + fields.map(f => s"${f.name}=${partition.getAs(f.name)}").mkString("/")
    })

    println(s"Going to clean ${partitionToRemove.size} partitions")
    partitionToRemove.foreach(partition => spark.sqlContext.sql(partition))
    cleanFolders.foreach(partition => deletePath(partition, true))
  }
  asDataFrame.write
    .options(Map("path" -> myTablePath))
    .mode(SaveMode.Append)
    .partitionBy(partitionColumns: _*)
    .saveAsTable(tableName)
}

//Now test
tableOverwrite(asDataFrame, partitionColumns, tableName)
spark.sqlContext.sql(s"select * from $tableName").show(1000)
tableOverwrite(asDataFrame, partitionColumns, tableName)

import spark.implicits._

val asLocalSet = spark.sqlContext.sql(s"select * from $tableName").as[DataExample].collect().toSet
if (asLocalSet == listData.toSet) {
  println("Overwrite is working !!!")
}

}

Answer 10

使用 Scala 在 Spark 2.3.1 上对此进行了测试。 上面的大多数答案都是写入 Hive 表。但是，我想直接写入 disk，该文件夹顶部有一个 external hive table。

首先需要的配置

val sparkSession: SparkSession = SparkSession
      .builder
      .enableHiveSupport()
      .config("spark.sql.sources.partitionOverwriteMode", "dynamic") // Required for overwriting ONLY the required partitioned folders, and not the entire root folder
      .appName("spark_write_to_dynamic_partition_folders")

这里的用法：

DataFrame
.write
.format("<required file format>")
.partitionBy("<partitioned column name>")
.mode(SaveMode.Overwrite) // This is required.
.save(s"<path_to_root_folder>")

Answer 11

在 insertInto 语句中添加 'overwrite=True' 参数可以解决这个问题：

hiveContext.setConf("hive.exec.dynamic.partition", "true")
hiveContext.setConf("hive.exec.dynamic.partition.mode", "nonstrict")

df.write.mode("overwrite").insertInto("database_name.partioned_table", overwrite=True)

默认overwrite=False。将其更改为True 允许我们覆盖包含在df 和partioned_table 中的特定分区。这有助于我们避免用df 覆盖partioned_table 的全部内容。

Answer 12

对于 >= Spark 2.3.0：

spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
data.write.insertInto("partitioned_table", overwrite=True)

Answer 13

spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
data.toDF().write.mode("overwrite").format("parquet").partitionBy("date", "name").save("s3://path/to/somewhere")

这对我适用于 AWS Glue ETL 作业（Glue 1.0 - Spark 2.4 - Python 2）

Answer 14

我的解决方案意味着从 spark 数据帧开始覆盖每个特定分区。它跳过了删除分区部分。我正在使用 pyspark>=3，我正在 AWS s3 上写作：

def write_df_on_s3(df, s3_path, field, mode):
    # get the list of unique field values
    list_partitions = [x.asDict()[field] for x in df.select(field).distinct().collect()]
    df_repartitioned = df.repartition(1,field)
    for p in list_partitions:
        # create dataframes by partition and send it to s3
        df_to_send = df_repartitioned.where("{}='{}'".format(field,p))
        df_to_send.write.mode(mode).parquet(s3_path+"/"+field+"={}/".format(p))

这个简单函数的参数是 df、s3_path、分区字段和模式（覆盖或追加）。第一部分获取唯一的字段值：这意味着如果我按每日对 df 进行分区，我将获得 df 中所有每日的列表。然后我重新分区df。最后，我每天选择重新分区的 df，并将其写入其特定的分区路径。

您可以根据需要更改重新分区整数。