Save Spark dataframe as dynamic partitioned table in Hive
Mam przykładową aplikację pracującą do odczytu z plików csv do ramki danych. Ramkę danych można zapisać do tabeli ula w formacie parquet przy użyciu metody
df.saveAsTable(tablename,mode)
.
Powyższy kod działa dobrze, ale mam tyle danych na każdy dzień, że chcę dynamicznie partycjonować tabelę hive w oparciu o creationdate (kolumnę w tabeli).
Czy Jest jakiś sposób na dynamiczną partycję ramki danych i przechowywanie jej w magazynie ula. Chcesz powstrzymać się od twardego kodowania wkładki oświadczenie za pomocą hivesqlcontext.sql(insert into table partittioin by(date)....)
.
Pytanie może być traktowane jako rozszerzenie do: Jak zapisać DataFrame bezpośrednio do Hive?
Każda pomoc jest mile widziana.5 answers
Wierzę, że działa coś takiego:
df
jest ramką danych z kolumnami Rok, Miesiąc i inne
df.write.partitionBy('year', 'month').saveAsTable(...)
Lub
df.write.partitionBy('year', 'month').insertInto(...)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2015-07-12 19:15:00
Udało mi się napisać do partycjonowanej tabeli ula używając df.write().mode(SaveMode.Append).partitionBy("colname").saveAsTable("Table")
Musiałem włączyć następujące właściwości, aby to działało.
hiveContext.setConf("hive.exec.dynamic.partition", "true") hiveContext.setConf("hive.exec.dynamic.partition.mode", "nonstrict")
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2016-02-25 08:59:56
Ja również zmierzyłem się z tym samym, ale za pomocą następujących sztuczek rozwiązałem.
Kiedy wykonujemy dowolną tabelę jako partycjonowaną, wtedy partycjonowana kolumna staje się wrażliwa na wielkość liter.
-
Dzielona kolumna powinna być obecna w ramce danych o tej samej nazwie (rozróżnia wielkość liter). Kod:
var dbName="your database name" var finaltable="your table name" // First check if table is available or not.. if (sparkSession.sql("show tables in " + dbName).filter("tableName='" +finaltable + "'").collect().length == 0) { //If table is not available then it will create for you.. println("Table Not Present \n Creating table " + finaltable) sparkSession.sql("use Database_Name") sparkSession.sql("SET hive.exec.dynamic.partition = true") sparkSession.sql("SET hive.exec.dynamic.partition.mode = nonstrict ") sparkSession.sql("SET hive.exec.max.dynamic.partitions.pernode = 400") sparkSession.sql("create table " + dbName +"." + finaltable + "(EMP_ID string,EMP_Name string,EMP_Address string,EMP_Salary bigint) PARTITIONED BY (EMP_DEP STRING)") //Table is created now insert the DataFrame in append Mode df.write.mode(SaveMode.Append).insertInto(empDB + "." + finaltable) }
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-08-16 06:51:10
To mi pasuje. Ustawiam te ustawienia, a następnie umieszczam dane w partycjonowanych tabelach.
from pyspark.sql import HiveContext
sqlContext = HiveContext(sc)
sqlContext.setConf("hive.exec.dynamic.partition", "true")
sqlContext.setConf("hive.exec.dynamic.partition.mode",
"nonstrict")
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-07-29 22:24:09
To działało dla mnie przy użyciu Pythona i spark 2.1.0.
Nie wiem, czy to najlepszy sposób, ale to działa...# WRITE DATA INTO A HIVE TABLE
import pyspark
from pyspark.sql import SparkSession
spark = SparkSession \
.builder \
.master("local[*]") \
.config("hive.exec.dynamic.partition", "true") \
.config("hive.exec.dynamic.partition.mode", "nonstrict") \
.enableHiveSupport() \
.getOrCreate()
### CREATE HIVE TABLE (with one row)
spark.sql("""
CREATE TABLE IF NOT EXISTS hive_df (col1 INT, col2 STRING, partition_bin INT)
USING HIVE OPTIONS(fileFormat 'PARQUET')
PARTITIONED BY (partition_bin)
LOCATION 'hive_df'
""")
spark.sql("""
INSERT INTO hive_df PARTITION (partition_bin = 0)
VALUES (0, 'init_record')
""")
###
### CREATE NON HIVE TABLE (with one row)
spark.sql("""
CREATE TABLE IF NOT EXISTS non_hive_df (col1 INT, col2 STRING, partition_bin INT)
USING PARQUET
PARTITIONED BY (partition_bin)
LOCATION 'non_hive_df'
""")
spark.sql("""
INSERT INTO non_hive_df PARTITION (partition_bin = 0)
VALUES (0, 'init_record')
""")
###
### ATTEMPT DYNAMIC OVERWRITE WITH EACH TABLE
spark.sql("""
INSERT OVERWRITE TABLE hive_df PARTITION (partition_bin)
VALUES (0, 'new_record', 1)
""")
spark.sql("""
INSERT OVERWRITE TABLE non_hive_df PARTITION (partition_bin)
VALUES (0, 'new_record', 1)
""")
spark.sql("SELECT * FROM hive_df").show() # 2 row dynamic overwrite
spark.sql("SELECT * FROM non_hive_df").show() # 1 row full table overwrite
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-09-17 14:43:07