15

我正在努力建立公司的新数据湖，并试图找到在这里工作的最佳和最新选择。所以，我找到了一个很好的解决方案来使用 EMR + S3 + Athena + Glue。

我做的过程是：

1 - 运行 Apache Spark 脚本以在 Orc 存储的 S3 中生成按日期划分的 3000 万行。

2 - 运行 Athena 查询以创建外部表。

3 - 检查与 Glue 数据目录连接的 EMR 表，它运行良好。Spark 和 Hive 都可以访问。

4 - 在按日期分区的其他文件夹中生成另外 3000 万行。兽人格式

5 - 运行识别新表的 Glue Crawler。添加到数据目录中，Athena 能够进行查询。但 Spark 和 Hive 无法做到这一点。请参阅下面的异常：

火花 Caused by: java.lang.ClassCastException: org.apache.hadoop.io.Text cannot be cast to org.apache.hadoop.hive.ql.io.orc.OrcStruct

蜂巢 Error: java.io.IOException: org.apache.hadoop.hive.ql.metadata.HiveException: Error evaluating audit_id (state=,code=0)

我正在检查是否有任何序列化问题，我发现了这个：

手动创建的表（配置）：

输入格式 org.apache.hadoop.hive.ql.io.orc.OrcInputFormat

输出格式 org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat

Serde 序列化库org.apache.hadoop.hive.ql.io.orc.OrcSerde

orc.compress SNAPPY

使用 Glue Crawler 创建的表格：

输入格式 org.apache.hadoop.mapred.TextInputFormat

输出格式org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat

Serde 序列化库org.apache.hadoop.hive.ql.io.orc.OrcSerde

因此，这不适用于从 Hive 或 Spark 读取。它适用于雅典娜。我已经更改了配置，但在 Hive 或 Spark 上没有效果。

有人遇到过这个问题吗？

4

1 回答 1

4

出色地，

几周后，我发布了这个问题 AWS 解决了这个问题。正如我上面所展示的，问题是真实存在的，这是 Glue 的一个错误。

因为它是一个新产品，有时仍然会出现一些问题。

但这已得到妥善解决。现在查看表的属性：

ROW FORMAT SERDE 
  'org.apache.hadoop.hive.ql.io.orc.OrcSerde' 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'
于 2017-09-25T05:13:36.557 回答