如何使用luigi将输出写入带有orc格式的分区表？

Posted 2021-03-27

假设我们有这样的工作：

class MRjob(JobTask):
  def output(self):
    return ...

  def requires(self):
    return ...

  def mapper(self, line):
    # some line process
    yield key, (...information, stored in hashable type...)

  def reducer(self,key,values):
    # some reduce logic... for example this
    unique = set(values)
    for elem in unique:
      yield key, elem[0], elem[1] 

在输出方法中我应该怎么做才能将数据插入现有的表分区（表格也以orc格式存储）？我想跳过将数据转换为orc的过程，因此我尝试了

return HivePartitionTarget(self.insert_table, database=self.database_name, partition=partition)

但这没用。我还发现luigi试图将输出传递给某个文件。使用HivePartitionTarget，luigi返回错误，如'object has no attribute write'，所以我的假设是HivePartitionTarget只是不包含write方法。因此，我认为我做错了，应该使用另一种方法，但没有设法找到一个例子

答案

关于如何在luigi实现这一点，我不太了解。我可能建议用简单的方法以正常分隔格式（例如逗号分隔格式）编写luigi脚本的输出。

在其上创建一个外部配置单元表：

CREATE EXTERNAL TABLE temp_table(
<col_name> <col_type>, 
<col_name2> <col_type>
.......
....... 
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ‘,’
LOCATION ‘ /hive/data/weatherext’;

使用简单的hive insert-into-select查询将数据插入原始表（具有ORC格式数据）。

INSERT INTO TABLE target_table
PARTITION( xxx )
SELECT 
COL_NAME1,
COL_NAME2
FROM temp_table;

您的目标表将具有ORC格式的数据，而hive将为您处理转换。

有关详细语法，请参阅https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DML#LanguageManualDML-InsertingdataintoHiveTablesfromqueries