PythonSpark:需要从文件列执行配置单元查询
Posted
技术标签:
【中文标题】PythonSpark:需要从文件列执行配置单元查询【英文标题】:PythonSpark: need to execute hive queries from file columns 【发布时间】:2019-08-01 19:08:09 【问题描述】:我有一个包含如下行的文件(文件名:sample.csv
)
Id,Query
T1012,"Select * from employee_dim limit 100"
T1212,"Select * from department_dim limit 100"
T1231,"Select dept_number,location,dept_name from locations"
我需要遍历这个文件 (sample.csv
) 并获取第二列 ("query"),在 hive 数据库中运行它并获取结果,然后将其保存到一个名为 T1012_result.csv
的新文件中,同样对所有行执行此操作。
你能帮忙吗?
我尝试通过 spark 读取文件并将其转换为列表,然后使用无效的 sparksession 执行 SQL 查询。
from pyspark.sql import SparkSession,HiveContext
spark=SparkSession.builder.enableHiveSupport().getOrCreate()
spark.sql("use sample")
input=spark.read.csv("sample.csv")
#input.select('_c1').show()
import pandas as pd
a=input.toPandas().values.tolist()
for i in a :
print i[1]
spark.sql('pd.DataFrame(i)')
【问题讨论】:
【参考方案1】:更新:火花
file_path="file:///user/vikrant/inputfiles/multiquery.csv"
df=spark.read.format("com.databricks.spark.csv").option("header", "true").load(file_path)
+---+-------------------------------+
|id |query |
+---+-------------------------------+
|1 |select * from exampledate |
|2 |select * from test |
|3 |select * from newpartitiontable|
+---+-------------------------------+
def customFunction(row):
for row in df.rdd.collect():
item=(row[1])
filename=(row[0])
query=""
query+=str(item)
newdf=spark.sql(query)
savedataframe(newdf,filename)
def savedataframe(newdf,filename):
newdf.coalesce(1).write.csv("/user/dev/hadoop/external/files/file_" + filename + ".csv")
customFunction(df)
drwxr-xr-x - vikct001 hdfs 0 2019-08-02 11:49 /user/dev/hadoop/external/files/file_1.csv
drwxr-xr-x - vikct001 hdfs 0 2019-08-02 11:49 /user/dev/hadoop/external/files/file_2.csv
drwxr-xr-x - vikct001 hdfs 0 2019-08-02 11:49 /user/dev/hadoop/external/files/file_3.csv
更新:使用熊猫 我在 sql server 上的测试表很少,我正在将它们读入 pandas 数据框,正如您在问题中提到的那样,并将查询结果保存到每个不同的文件中,并重命名为数据框的第一列:
import pandas as pd
import pyodbc
from pandas import DataFrame
connection = pyodbc.connect('Driver=ODBC Driver 13 for SQL Server;SERVER=yourservername;DATABASE=some_db;UID=username;PWD=password')
cursor = connection.cursor()
data=[['1','select * from User_Stage_Table'],['2','select * from User_temp_Table']]
df=pd.DataFrame(data,columns=['id','query'])
def get_query(df):
a=df.values.tolist()
for i in a:
query=i[1] #reading second column value as query
filename=i[0] #reading first column value as filename
write_query(query,filename) #calling write_query function
def write_query(query,filename):
df=pd.read_sql_query(query,connection)
df.to_csv(outfile_location+filename+".txt",sep=',',encoding='utf-8',index=None,mode='a')
get_query(df) #calling get_query function to build the query
out_file_location='G:\Testing\OutputFile\outfile'
您的输出文件名为:
outfile1.txt
#这将有表User_Stage_Table
的数据
outfile2.txt
#这将有表User_temp_Table'
的数据
如果这能解决您的问题或进一步面临任何问题,请告诉我。
【讨论】:
神奇的工作维克兰特。以上是关于PythonSpark:需要从文件列执行配置单元查询的主要内容,如果未能解决你的问题,请参考以下文章