2

我在 Qubole(Hive) 中创建了一个外部表，它从 s3 读取 parquet(compressed: snappy) 文件，但是在执行SELECT * table_name 时我得到了除分区列之外的所有列的空值。

我尝试在 SERDEPROPERTIES 中使用不同的 serialization.format 值，但我仍然面临同样的问题。在删除'serialization.format' = '1'我得到的财产时ERROR: Failed with exception java.io.IOException:Can not read value at 0 in block -1 in file s3://path_to_parquet/。

我检查了 parquet 文件，并能够使用 parquet-tools 读取数据：

**file_01.snappy.parquet:**
{"col_2":1234,"col_3":ABC}
{"col_2":124,"col_3":FHK}
{"col_2":12515,"col_3":UPO}


**External table stmt:**
CREATE EXTERNAL TABLE parquet_test
(
    col2 int,
    col3 string
)
PARTITIONED BY (col1 date) 
ROW FORMAT SERDE 'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
)
STORED AS PARQUET
LOCATION 's3://path_to_parquet'
TBLPROPERTIES ('parquet.compress'='SNAPPY');

Result:
col_1   col_2   col_3
5/3/19  NULL    NULL
5/4/19  NULL    NULL
5/5/19  NULL    NULL
5/6/19  NULL    NULL

Expected Result:
col_1   col_2   col_3
5/3/19  1234    ABC
5/4/19  124     FHK
5/5/19  12515   UPO
5/6/19  1234    ABC
4

1 回答 1

0

假设该表是使用 Hive 创建并使用 Spark 读取的，则编写以下答案（因为问题标记为apache-spark-sql）

数据是如何创建的？

Spark 支持区分大小写的模式。当我们使用数据框 API 时，可以使用区分大小写的模式进行编写。
例子：

scala> case class Employee(iD: Int, NaMe: String )
defined class Employee
scala> val df =spark.range(10).map(x => Employee(x.toInt, s"name$x")).write.save("file:///tmp/data/")
scala> spark.read.parquet("file:///tmp/data/").printSchema
root
 |-- iD: integer (nullable = true)
 |-- NaMe: string (nullable = true)

请注意，在上面的示例中，保留了区分大小写的功能。
当我们在从 Spark 创建的数据之上创建 Hive 表时，Hive 将能够正确读取它，因为它不区分大小写。
而当使用 Spark 读取相同的数据时，它使用 Hive 中默认小写的模式，并且返回的行是null.
为了克服这个问题，Spark 引入了一个 config spark.sql.hive.caseSensitiveInferenceMode。

object HiveCaseSensitiveInferenceMode extends Enumeration {
  val INFER_AND_SAVE, INFER_ONLY, NEVER_INFER = Value
}

val HIVE_CASE_SENSITIVE_INFERENCE = buildConf("spark.sql.hive.caseSensitiveInferenceMode")
  .doc("Sets the action to take when a case-sensitive schema cannot be read from a Hive " +
    "table's properties. Although Spark SQL itself is not case-sensitive, Hive compatible file " +
    "formats such as Parquet are. Spark SQL must use a case-preserving schema when querying " +
    "any table backed by files containing case-sensitive field names or queries may not return " +
    "accurate results. Valid options include INFER_AND_SAVE (the default mode-- infer the " +
    "case-sensitive schema from the underlying data files and write it back to the table " +
    "properties), INFER_ONLY (infer the schema but don't attempt to write it to the table " +
    "properties) and NEVER_INFER (fallback to using the case-insensitive metastore schema " +
    "instead of inferring).")
  .stringConf
  .transform(_.toUpperCase(Locale.ROOT))
  .checkValues(HiveCaseSensitiveInferenceMode.values.map(_.toString))
  .createWithDefault(HiveCaseSensitiveInferenceMode.INFER_AND_SAVE.toString)

INFER_AND_SAVE- Spark 推断架构并存储在 metastore 作为表的一部分TBLEPROPERTIES（desc extended <table name>应该显示这一点）
如果属性的值不是INFER_AND_SAVEor ，则 Spark使用INFER_ONLYmetastore 表中的架构，并且无法读取 parquet 文件。该属性的默认值INFER_AND_SAVE自 Spark 2.2.0 起。

我们可以检查以下问题是否与模式敏感性有关：
1. 的值spark.sql.hive.caseSensitiveInferenceMode（spark.sql("set spark.sql.hive.caseSensitiveInferenceMode")应该揭示这一点）
2. 如果使用 Spark 创建的数据
3. 如果 2 为真，请检查模式是否区分大小写（spark.read(<location>).printSchema） 4 . 如果 3 使用区分大小写的模式并且 1 的输出不是INFER_AND_SAVE/ INFER_ONLY，则设置spark.sql("set spark.sql.hive.caseSensitiveInferenceMode=INFER_AND_SAVE")、删除表、重新创建表并尝试从 Spark 读取数据。

于 2019-05-19T13:03:35.077 回答