在 HIVE 中使用 CDH 5.4 和 Spark 1.3.0 和 Parquet 表的 PySpark 中的 Parquet 错误

Posted

技术标签:

【中文标题】在 HIVE 中使用 CDH 5.4 和 Spark 1.3.0 和 Parquet 表的 PySpark 中的 Parquet 错误【英文标题】:Parquet Errors in PySpark using CDH 5.4 and Spark 1.3.0 with Parquet Table in HIVE 【发布时间】:2015-05-19 10:35:54 【问题描述】:

我正在运行 CDH 5.4,使用 Spark 1.3.0 和 Spark on YARN 支持。 当我在 HIVE 中创建一个简单的 parquet 表,然后尝试使用 PySpark 对其执行转换或聚合时,它会向我抛出此错误消息。有什么想法吗?要重现该问题,请执行以下操作...

蜂巢:

CREATE TABLE IF NOT EXISTS TestTable_Parquet(
Investment_Id int,
Identifier string,
Package_Id int,
AsOfDate timestamp
) STORED AS PARQUET
;
INSERT INTO TABLE TestTable_Parquet
VALUES (1, "id1", 1, "2015-01-01")
;

PySpark:

test = sqlCtx.table("testtable_parquet")
test.filter(test.identifier == "id1")

错误

Py4JJavaError                             Traceback (most recent call last)
<ipython-input-3-690105998113> in <module>()
      1 test = sqlCtx.table("testtable_parquet")
----> 2 test.filter(test.identifier == "id1")

/usr/lib/spark/python/pyspark/sql/dataframe.py in filter(self, condition)
    627             jdf = self._jdf.filter(condition)
    628         elif isinstance(condition, Column):
--> 629             jdf = self._jdf.filter(condition._jc)
    630         else:
    631             raise TypeError("condition should be string or Column")

/usr/lib/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/java_gateway.py in __call__(self, *args)
    536         answer = self.gateway_client.send_command(command)
    537         return_value = get_return_value(answer, self.gateway_client,
--> 538                 self.target_id, self.name)
    539 
    540         for temp_arg in temp_args:

/usr/lib/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/protocol.py in get_return_value(answer, gateway_client, target_id, name)
    298                 raise Py4JJavaError(
    299                     'An error occurred while calling 012.\n'.
--> 300                     format(target_id, '.', name), value)
    301             else:
    302                 raise Py4JError(

Py4JJavaError: An error occurred while calling o34.filter.
: org.apache.spark.sql.AnalysisException: resolved attributes identifier missing from investment_id,identifier,package_id,asofdate;
at org.apache.spark.sql.catalyst.analysis.CheckAnalysis.failAnalysis(CheckAnalysis.scala:37)
at org.apache.spark.sql.catalyst.analysis.CheckAnalysis$$anonfun$apply$3.apply(CheckAnalysis.scala:93)
at org.apache.spark.sql.catalyst.analysis.CheckAnalysis$$anonfun$apply$3.apply(CheckAnalysis.scala:43)
at org.apache.spark.sql.catalyst.trees.TreeNode.foreachUp(TreeNode.scala:88)
at org.apache.spark.sql.catalyst.analysis.CheckAnalysis.apply(CheckAnalysis.scala:43)
at org.apache.spark.sql.SQLContext$QueryExecution.assertAnalyzed(SQLContext.scala:1069)
at org.apache.spark.sql.DataFrame.<init>(DataFrame.scala:133)
at org.apache.spark.sql.DataFrame.logicalPlanToDataFrame(DataFrame.scala:157)
at org.apache.spark.sql.DataFrame.filter(DataFrame.scala:508)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:606)
at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:231)
at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:379)
at py4j.Gateway.invoke(Gateway.java:259)
at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
at py4j.commands.CallCommand.execute(CallCommand.java:79)
at py4j.GatewayConnection.run(GatewayConnection.java:207)
at java.lang.Thread.run(Thread.java:745)

【问题讨论】:

玩了一会儿,问题的解决方法似乎是先运行这个 set conf 命令,这只有在你希望 Spark 与 Hive 对话时才需要 【参考方案1】:

玩了一会儿,问题的解决方法似乎是先运行这个 set conf 命令,这只有在你希望 Spark 与 Hive 对话时才需要:

sqlCtx.setConf("spark.sql.hive.convertMetastoreParquet", "false")

【讨论】:

以上是关于在 HIVE 中使用 CDH 5.4 和 Spark 1.3.0 和 Parquet 表的 PySpark 中的 Parquet 错误的主要内容,如果未能解决你的问题,请参考以下文章

Hive学习系列:maven+springboot+CDH环境下,连接Hive进行操作

如何获取大数据平台 CDH 中 hive metastore db 的用户名和密码?

hive记录-cdh配置hive和sentry

Hive安装与简单使用并集成SparkSQL

Hive3.1.2使用CDH自带的Spark2.4报配置错误解决方案

CDH Hive 配置HiveServer2