将数据作为文本文件从 spark 保存到 hdfs

Posted 2023-04-15

【中文标题】将数据作为文本文件从 spark 保存到 hdfs

【英文标题】：Save data as text file from spark to hdfs

【发布时间】：2016-07-28 05:03:28

【问题描述】：

我使用pySpark 和sqlContext 使用以下查询处理数据：

(sqlContext.sql("select LastUpdate,Count(1) as Count" from temp_t)
           .rdd.coalesce(1).saveAsTextFile("/apps/hive/warehouse/Count"))

按以下格式存储：

Row(LastUpdate=u'2016-03-14 12:27:55.01', Count=1)
Row(LastUpdate=u'2016-02-18 11:56:54.613', Count=1)
Row(LastUpdate=u'2016-04-13 13:53:32.697', Count=1)
Row(LastUpdate=u'2016-02-22 17:43:37.257', Count=5)

但我想将数据存储在 Hive 表中

LastUpdate                           Count

2016-03-14 12:27:55.01                   1
.                                        .
.                                        .

这是我在 Hive 中创建表的方式：

CREATE TABLE Data_Count(LastUpdate string, Count int )
ROW FORMAT DELIMITED fields terminated by '|';

我尝试了很多选项，但都没有成功。请帮我解决这个问题。

【参考方案1】：

为什么不将数据加载到 Hive 本身，而不经过保存文件然后将其加载到 hive 的过程。

from datetime import datetime, date, time, timedelta
hiveCtx = HiveContext(sc)

#Create sample data
currTime = datetime.now()
currRow = Row(LastUpdate=currTime)
delta = timedelta(days=1)
futureTime = currTime + delta
futureRow = Row(LastUpdate=futureTime)
lst = [currRow, currRow, futureRow, futureRow, futureRow]

#parallelize the list and convert to dataframe
myRdd = sc.parallelize(lst)
df = myRdd.toDF()
df.registerTempTable("temp_t")
aggRDD = hiveCtx.sql("select LastUpdate,Count(1) as Count from temp_t group by LastUpdate")
aggRDD.saveAsTable("Data_Count")

【讨论】：

谢谢，使用相同的方法..但数据存储为 2016-03-14 12:27:55.01 1 2016-02-18 11:56:54.613 1 不是表格格式.. . 列名，我不能像我们在表 ex 上那样查询：dl 命令

能否请您发布一个在这里不起作用的示例 dl 命令？

【参考方案2】：

您创建了一个表格，现在您需要用您生成的数据填充它。

我相信这可以从 Spark HiveContext 运行

LOAD DATA INPATH '/apps/hive/warehouse/Count' INTO TABLE Data_Count

或者，您可能希望在数据上构建一个表

CREATE EXTERNAL TABLE IF NOT Exists Data_Count(
    LastUpdate DATE, 
    Count INT
   ) 
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '|'
STORED AS TEXTFILE
LOCATION '/apps/hive/warehouse/Count';

【讨论】：

我将结果存储到 spark 中的一个变量（例如：result）中，运行上述查询后，当我执行 result.show()...数据以管道作为分隔符显示在 2 列中时。是的，我做了“LOAD DATA INPATH '/apps/hive/warehouse/Count' INTO TABLE Data_Count”，但结果在一列“LastUpdate”下显示日期和计数，而另一列“Count”显示为 NULL。

当你显示一个 RDD 时，它会用管道格式化。它不会使用管道将数据保存到文本文件中。您可以对 HDFS 文件进行分类以检查实际的分隔符。您在第二列中得到空值，因为所有内容都被推到第一列

您好，已检查..它由“，”分隔，当我相应地更改您的查询并现在执行时，我将两列都设为 NULL