Spark 2.1 Добавление раздела Hive в формате ORC

Я использую pyspark 2.1 для динамического создания разделов из таблицы A в таблицу B. Ниже приведены DDL.

create table A (
objid bigint,
occur_date timestamp)
STORED AS ORC;

create table B (
objid bigint,
occur_date timestamp)
PARTITIONED BY (
occur_date_pt date)
STORED AS ORC;

Затем я использую код pyspark, в котором я пытаюсь определить разделы, которые необходимо объединить, ниже приведена часть кода, где я на самом деле это делаю.

for row in  incremental_df.select(partitioned_column).distinct().collect():
    path            = '/apps/hive/warehouse/B/' + partitioned_column + '=' + format(row[0])
    old_df          = merge_df.where(col(partitioned_column).isin(format(row[0])))
    new_df          = incremental_df.where(col(partitioned_column).isin(format(row[0])))
    output_df       = old_df.subtract(new_df)
    output_df       = output_df.unionAll(new_df)
    output_df.write.option("compression","none").mode("overwrite").format("orc").save(path)
    refresh_metadata_sql = 'MSCK REPAIR TABLE ' + table_name
    sqlContext.sql(refresh_metadata_sql)

При выполнении кода я могу видеть разделы в HDFS

Найдено 3 элемента -06-01 10:31 /apps/hive/warehouse/B/occur_date_pt=2017-06-02 drwx------ - 307010265 hdfs 0 01-06-2017 10:31 /apps/hive/warehouse/B /occur_date_pt=2017-06-03

Но когда я пытаюсь получить доступ к таблице внутри Spark, я получаю массив за пределами ошибки

>> merge_df = sqlContext.sql('select * from B')
DataFrame[]
>>> merge_df.show()
17/06/01 10:33:13 ERROR Executor: Exception in task 0.0 in stage 200.0 (TID 4827)
java.lang.IndexOutOfBoundsException: toIndex = 3
        at java.util.ArrayList.subListRangeCheck(ArrayList.java:1004)
        at java.util.ArrayList.subList(ArrayList.java:996)
        at org.apache.hadoop.hive.ql.io.orc.RecordReaderFactory.getSchemaOnRead(RecordReaderFactory.java:161)
        at org.apache.hadoop.hive.ql.io.orc.RecordReaderFactory.createTreeReader(RecordReaderFactory.java:66)
        at org.apache.hadoop.hive.ql.io.orc.RecordReaderImpl.<init>(RecordReaderImpl.java:202)
        at org.apache.hadoop.hive.ql.io.orc.ReaderImpl.rowsOptions(ReaderImpl.java:539)
        at org.apache.hadoop.hive.ql.io.orc.OrcRawRecordMerger$ReaderPair.<init>(OrcRawRecordMerger.java:183)
        at org.apache.hadoop.hive.ql.io.orc.OrcRawRecordMerger$OriginalReaderPair.<init>(OrcRawRecordMerger.java:226)
        at org.apache.hadoop.hive.ql.io.orc.OrcRawRecordMerger.<init>(OrcRawRecordMerger.java:437)
        at org.apache.hadoop.hive.ql.io.orc.OrcInputFormat.getReader(OrcInputFormat.java:1215)
        at org.apache.hadoop.hive.ql.io.orc.OrcInputFormat.getRecordReader(OrcInputFormat.java:1113)
        at org.apache.spark.rdd.HadoopRDD$$anon$1.liftedTree1$1(HadoopRDD.scala:252)
        at org.apache.spark.rdd.HadoopRDD$$anon$1.<init>(HadoopRDD.scala:251)
        at org.apache.spark.rdd.HadoopRDD.compute(HadoopRDD.scala:211)
        at org.apache.spark.rdd.HadoopRDD.compute(HadoopRDD.scala:102)
        at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)

Любая помощь или указатели для решения проблемы будут оценены


apache-spark pyspark hive orc pyspark-sql
person Jayadeep Jayaraman    schedule 01.06.2017    source источник
comment
Пожалуйста, убедитесь, что секционированный столбец не включен в фрейм данных.   -  person Sam    schedule 21.11.2017
comment
Спасибо, Сэм, вы правы, проблема заключалась в том, что разделенные столбцы были включены в фрейм данных.   -  person Jayadeep Jayaraman    schedule 22.11.2017

Ответы (1)


arrow_upward
0
arrow_downward

Публикация комментария в качестве ответа для более удобной справки: пожалуйста, убедитесь, что секционированный столбец не включен в фрейм данных.

person Sam    schedule 22.11.2017
comment
Означает ли это, что вы не можете использовать SELECT *, а должны выбирать по отдельности все, кроме столбца раздела? - person Aaron; 03.01.2020