Spark 结构化流写入流到 Hive ORC 分区外部表

Posted 2023-03-12

【中文标题】Spark 结构化流写入流到 Hive ORC 分区外部表

【英文标题】：Spark Structured Streaming Writestream to Hive ORC Partioned External Table

【发布时间】：2019-01-19 02:48:59

【问题描述】：

我正在尝试使用 Spark Structured Streaming - writeStream API 写入外部分区 Hive 表。

CREATE EXTERNAL TABLE `XX`(
`a` string,
`b` string,
`b` string,
`happened` timestamp,
`processed` timestamp,
`d` string,
`e` string,
`f` string )
 PARTITIONED BY (
`year` int, `month` int, `day` int)      
 CLUSTERED BY (d)
INTO 6 BUCKETS
STORED AS ORC 
TBLPROPERTIES (
'orc.compress'='ZLIB',
'orc.compression.strategy'='SPEED',
'orc.create.index'='true',
'orc.encoding.strategy'='SPEED');

在 Spark 代码中，

val hiveOrcWriter:   DataStreamWriter[Row] = event_stream
  .writeStream
  .outputMode("append")
  .format("orc")
  .partitionBy("year","month","day")
  //.option("compression", "zlib")
  .option("path", _table_loc)
  .option("checkpointLocation", _table_checkpoint)

我看到在非分区表上，记录被插入 Hive。但是，在使用分区表时，火花作业不会失败或引发异常，但不会将记录插入 Hive 表。

感谢任何处理过类似问题的人的 cmets。

编辑：

刚刚发现.orc文件确实写入了HDFS，分区目录结构正确：例如。 /_table_loc/_table_name/year/month/day/part-0000-0123123.c000.snappy.orc

然而

select * from 'XX' limit 1; (or where year=2018)

不返回任何行。

表“XX”的InputFormat 和OutputFormat 是org.apache.hadoop.hive.ql.io.orc.OrcInputFormat 和 org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat。

【参考方案1】：

结构化流式传输中未提供开箱即用的此功能。在正常处理中，您将使用 dataset.write.saveAsTable(table_name) ，并且该方法不可用。

在 HDFS 中处理和保存数据后，您可以手动更新分区（或使用按计划执行此操作的脚本）：

如果你使用 Hive

MSCK REPAIR TABLE table_name

如果你使用 Impala

ALTER TABLE table_name RECOVER PARTITIONS