[大数据]Hive:Spark,我发现你有小秘密啊~

Posted 2021-04-27 阿布的进击

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了[大数据]Hive:Spark,我发现你有小秘密啊~相关的知识，希望对你有一定的参考价值。

请问，你的梦想是什么？

在大数据公司中，任何一家公司都不会只使用一个框架吧？！

skr，skr~~

那我们今天就来聊一段 Hive 与 Spark的爱恨情仇

就像

在一些场景中，需要将外部的数据导入到Hive表中，然后再对这些数据进行额外的处理，提供给不同的部门使用。

当导完数据之后，需要用到Spark进行后续的处理时，发现数据多了一条

Spark：Omg，我顶你个肺~

这种情况的排查，我们需要从数据源头一步步检验，找出来这突然多出来的数据究竟是何方妖怪，想想是一件很恐怖的事情

Hive：同志，冷静

数据重复？索引重复？

俗话说不会面向度娘编程的Hive不是好Spark，在拔掉了两根头发之后发现问题：表头！

我不能干涉被测试框架的客观性

环境模拟

Centos 7 Spark 2.4.4 scala 2.11.8 JDK 1.8 Hive 1.2.2 hadoop 2.7.3

创建测试表：testTab

create table if not exists testTab( id string, name string ) row format delimited fields terminated by ","tblproperties("skip.header.line.count"="1");

测试数据：testData.txt

id,name 1,xzheng 2,bbeir 3,hive 4,spark

加载数据到Hive表中：

load data local inpath "/usr/local/src/testData.txt" overwrite into table testTab;

在Hive中查询：

select * from testTab;+----------------------+------------------------+--+| testTab.id | testTab.name |+----------------------+------------------------+--+| 1 | xzheng ||  2                    | bbeir                  || 3 | hive ||  4                    | spark                  |+----------------------+------------------------+--+

Spark SQL查询：

+---+------+|id |name |+---+------+|id |name || 1 |xzheng||2 |bbeir || 3 |hive ||4 |spark |+---+------+

‍

药不能停、药不能停

解决方法-1：

在原始表的基础上，再建立一个备份表，通过Spark Sql查询结果正确

create table if not exists testTab_2row format delimited fields terminated by "," as  select * from testTab;

解决方法-2：

通过spark的read函数，直接操作存在hdfs上的原始数据，然后再建表

scala> val df = spark.read.format("csv").option("path","hdfs://path_to_hdfs/testData.txt").option("header",true).option("delimiter",",").loadscala> df.show()+---+------+|id |name |+---+------+|1  |xzheng|| 2 |bbeir ||3  |hive  || 4 |spark |+---+------+