我正在尝试在 Spark 中读取 Hive 表。以下是 Hive 表格式:
# Storage Information
SerDe Library: org.apache.hadoop.hive.ql.io.orc.OrcSerde
InputFormat: org.apache.hadoop.hive.ql.io.orc.OrcInputFormat
OutputFormat: org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat
Compressed: No
Num Buckets: -1
Bucket Columns: []
Sort Columns: []
Storage Desc Params:
field.delim \u0001
serialization.format \u0001
当我尝试使用带有以下命令的 Spark SQL 读取它时:
val c = hiveContext.sql("""select
a
from c_db.c cs
where dt >= '2016-05-12' """)
c. show
我收到以下警告:-
2002 年 7 月 18 日 18:02:02 WARN ReaderImpl:在 _col0、_col1、_col2、_col3、_col4、_col5、_col6、_col7、_col8、_col9、_col10、_col11、_col12、_col13、_col14 中找不到字段: _col15, _col16, _col17, _col18, _col19, _col20, _col21, _col22, _col23, _col24, _col25, _col26, _col27, _col28, _col29, _col30, _col31, _col32, _col33, _col34, _col35, _col36, _col37, _col38, _col39, _col40, _col41, _col42, _col43, _col44, _col45, _col46, _col47, _col48, _col49, _col50, _col51, _col52, _col53, _col54, _col55, _col56, _col57, _col58, _col59, _col60, _col61, _col62, _col63, _col64, _col65,_col66,_col67,
读取开始,但速度非常慢并且网络超时。
当我尝试直接读取 Hive 表目录时,出现以下错误。
val hiveContext = new org.apache.spark.sql.hive.HiveContext(sc)
hiveContext.setConf("spark.sql.orc.filterPushdown", "true")
val c = hiveContext.read.format("orc").load("/a/warehouse/c_db.db/c")
c.select("a").show()
org.apache.spark.sql.AnalysisException:无法解析给定输入列的“a”:[_col18,_col3,_col8,_col66,_col45,_col42,_col31,_col17,_col52,_col58,_col50,_col26,_col63,_col12,_col27, _col23, _col6, _col28, _col54, _col48, _col33, _col56, _col22, _col35, _col44, _col67, _col15, _col32, _col9, _col11, _col41, _col20, _col2, _col25, _col24, _49, col_64, _49, col_64 _col14,_col13,_col19,_col43,_col65,_col29,_col10,_col7,_col21,_col39,_col46,_col4,_col5,_col62,_col0,_col30,_col47,trans_dt,_col57,_col16,_col36,_col1,_col38, _col55,_col51,_col60,_col53];在 org.apache.spark.sql.catalyst.analysis.package$AnalysisErrorAt.failAnalysis(package.scala:42)
我可以将 Hive 表转换为 TextInputFormat 但这应该是我的最后一个选择,因为我想利用 OrcInputFormat 来压缩表大小。
非常感谢您的建议。