Spark 读取镶木地板文件时出现问题

Posted 2023-03-29

【中文标题】Spark 读取镶木地板文件时出现问题

【英文标题】：Spark issues reading parquet files

【发布时间】：2017-11-20 18:30:13

【问题描述】：

我有 2 个镶木地板零件文件 part-00043-0bfd7e28-6469-4849-8692-e625c25485e2-c000.snappy.parquet（是 2017 年 11 月 14 日运行的零件文件）和 part-00199-64714828-8a9e-4ae1-8735-c5102c0a834d-c000.snappy.parquet （是 2017 年 11 月 16 日运行的部分文件）并且两者都具有相同的架构（我通过打印架构进行了验证）。

我的问题是，如果我使用 Spark 分别读取这 2 个文件，那么我有 10 个列将正确显示。但是如果我把这个文件放在文件夹中，试图一起读取，总计数是正确的（来自 2 个文件的行总和），但来自第 2 个文件的大多数列都是空的。只有一些 2 3 列具有正确的值（值存在于文件中，因为如果我单独阅读它会正确显示）。我在这里想念什么？这是我用于测试的代码：

def initSparkConfig: SparkSession = 

    val sparkSession: SparkSession = SparkSession
      .builder()
      .appName("test")
      .master("local")
      .getOrCreate()

    sparkSession.sparkContext.hadoopConfiguration.set("mapreduce.fileoutputcommitter.algorithm.version", "2")
    sparkSession.sparkContext.getConf.set("spark.hadoop.parquet.enable.summary-metadata", "false")
    sparkSession.sparkContext.getConf.set("spark.sql.parquet.mergeSchema", "false")
    sparkSession.sparkContext.getConf.set("spark.sql.parquet.filterPushdown", "false")
    sparkSession.sparkContext.getConf.set("spark.sql.hive.metastorePartitionPruning", "true")

    sparkSession
  

sparkSession = initSparkConfig
sparkSession.read.parquet("/test_spark/").createOrReplaceTempView("table")
sparkSession.sql("select * from table").show 

更新：

如果我分别读取这两个文件并进行联合并读取，所有列都会被填充而没有任何问题。

更新 2：

如果我在阅读时创建mergeSchema = true，它会抛出异常Found duplicate column(s) in the data schema and the partition schema: [List of columns which arecoming null]。过滤列之一为ambiguous

【参考方案1】：

结果表明架构不完全匹配。对于作为空值的列名，大小写（中间的某些字符）有所不同。并且 parquet 列名区分大小写，所以这导致了所有问题。它试图读取根本不存在的列。