pyspark 操作hive表

pyspark 操作hive表，hive分区表动态写入；最近发现spark动态写入hive分区，和saveAsTable存表方式相比，文件压缩比大约 4:1。针对该问题整理了 spark 操作hive表的几种方式。

1> `saveAsTable`写入

saveAsTable(self, name, format=None, mode=None, partitionBy=None, **options)
示例：
```
df.write.saveAsTable("表名",mode='overwrite')
```
注意：

1、表不存在则创建表，表存在全覆盖写入；
2、表存在，数据字段有变化，先删除后重新创建表；
3、当正在存表时报错或者终止程序会导致表丢失；
4、数据默认采用parquet压缩，文件名称 part-00000-5efbfc08-66fe-4fd1-bebb-944b34689e70.gz.parquet
数据文件在hdfs上显示：

2> `insertInto`写入

insertInto(self, tableName, overwrite=False):
示例：
```
# append 写入
df.repartition(1).write.partitionBy('dt').insertInto("表名")
# overwrite 写入
df.repartition(1).write.partitionBy('dt').insertInto("表名",overwrite=True)
# 动态分区使用该方法
```
注意：

1、df.write.mode(“overwrite”).partitionBy(“dt”).insertInto(“表名”) 不会覆盖数据
2、需要表必须存在且当前DF的schema与目标表的schema必须一致
3、插入的文件不会压缩；文件以part-00…结尾。文件较大

更新时间：2021年10月19日 17点49分 ps: 生产环境spark 版本升级，作业迁移出现问题

spark 2.1 报错
报错信息如下：

Exception in thread "main" org.apache.spark.sql.AnalysisException: insertInto() can't be used together with partitionBy(). Partition columns have already be defined for the table. It is not necessary to use partitionBy().;

解决办法

# 去掉partitionBy() 方法，会自动判断分区字段
df.repartition(1).write.insertInto("表名")

数据文件在hdfs上显示：

2.1> 问题说明

两种方式存储数据量一样的数据，磁盘文件占比却相差很大，.gz.parquet 文件相比 part-00000文件要小很多。想用spark操作分区表，又想让文件压缩，百度了一些方式，都没有解决。
从stackoverflow中有一个类似的问题 Spark compression when writing to external Hive table 。用里面的方法并没有解决。
最终从hive表数据文件压缩角度思考，问题得到解决。

hive 建表指定压缩格式
下面是hive parquet的几种压缩方式

-- 使用snappy
CREATE TABLE if not exists ods.table_test(id string,open_time string)
COMMENT '测试'
PARTITIONED BY (`dt` string COMMENT '按天分区')
row format delimited fields terminated by '\001'
STORED AS PARQUET
TBLPROPERTIES ('parquet.compression'='SNAPPY');-- 使用gzip
CREATE TABLE if not exists ods.table_test(id string,open_time string)
COMMENT '测试'
PARTITIONED BY (`dt` string COMMENT '按天分区')
row format delimited fields terminated by '\001'
STORED AS PARQUET
TBLPROPERTIES ('parquet.compression'='GZIP');-- 使用uncompressed
CREATE TABLE if not exists ods.table_test(id string,open_time string)
COMMENT '测试'
PARTITIONED BY (`dt` string COMMENT '按天分区')
row format delimited fields terminated by '\001'
STORED AS PARQUET
TBLPROPERTIES ('parquet.compression'='UNCOMPRESSED');-- 使用默认
CREATE TABLE if not exists ods.table_test(id string,open_time string)
COMMENT '测试'
PARTITIONED BY (`dt` string COMMENT '按天分区')
row format delimited fields terminated by '\001'
STORED AS PARQUET;-- 设置参数 set parquet.compression=SNAPPY;

2.2> 解决办法

建表时指定TBLPROPERTIES，采用gzip 压缩
示例：

drop table if exists ods.table_test
CREATE TABLE if not exists ods.table_test(
id string,
open_time string
)
COMMENT '测试'
PARTITIONED BY (`dt` string COMMENT '按天分区')
row format delimited fields terminated by '\001'
STORED AS PARQUET
TBLPROPERTIES ('parquet.compression'='GZIP');

执行效果

数据文件在hdfs上显示：

可以看到文件大小占比已经和 *.gz.parquet 文件格式一样了

3>`saveAsTextFile`写入直接操作文件

saveAsTextFile(self, path, compressionCodecClass=None)
该方式通过rdd 以文件形式直接将数据存储在hdfs上。
示例：
```
rdd.saveAsTextFile('hdfs://表全路径')
```
文件操作更多方式见官方文档

pyspark操作hive分区表以及.gz.parquet和part-00000文件压缩问题相关推荐

Spark操作Hive分区表
前言 Spark操作Hive表可谓是异常的方便和简单,这里根据官网简单的总结一下Spark操作Hive分区表完美的处理处理方式 // 开启Hive动态分区 spark.sqlContext.setC ...
bz2解压命令_Linux文件操作之文件压缩与解压缩命令详解
文件的压缩和解压缩是非常常见的操作,在 Windows 下我们有很多压缩和解压缩的工具,比如 zip.360 压缩等等.在 Ubuntu 下也有压缩工具,本节我们学习Ubuntu 下图形化以及命令行这 ...
python应用中调用spark_在python中使用pyspark读写Hive数据操作
1.读Hive表数据 pyspark读取hive数据非常简单,因为它有专门的接口来读取,完全不需要像hbase那样,需要做很多配置,pyspark提供的操作hive的接口,使得程序可以直接使用SQL语 ...
python读取oracle数据到hvie parquet_关于sparksql操作hive，读取本地csv文件并以parquet的形式装入hive中...
说明:spark版本:2.2.0 hive版本:1.2.1 需求: 有本地csv格式的一个文件,格式为${当天日期}visit.txt,例如20180707visit.txt,现在需要将其通过spar ...
Spark操作外部数据源（RDBMS，Hive，HBase，Parquet）
文章目录一.Spark SQL 二.Spark on Hive 三.Hive on Spark 四.Spark读取Parquet文件五.Spark连接HBase 1.Maven工程添加依赖 2.代 ...
python操作hive和hive_sql语句
Hive是一个数据仓库基础的应用工具,在Hadoop中用来处理结构化数据,通过类SQL语言对数据进行操作.Hive将sql语句通过解析器转换成MapReduce作业提交到Hadoop集群上,Hadoo ...
Hive的安装和使用以及Java操作hive
Hive 引言简介 hive是facebook开源,并捐献给了apache组织,作为apache组织的顶级项目(hive.apache.org). hive是一个基于大数据技术的数据仓库(DataW ...
Spark SQL操作Hive表
Spark SQL支持从Hive存储中读写数据.然而,Hive存在很多的依赖,而这些依赖又不包含在默认的各类Spark发型版本中.如果将Hive的依赖放入classpath中,Spark将自动加载它们 ...
spark写表指定外部表_spark 将dataframe数据写入Hive分区表
从spark1.2 到spark1.3,spark SQL中的SchemaRDD变为了DataFrame,DataFrame相对于SchemaRDD有了较大改变,同时提供了更多好用且方便的API. D ...

pyspark操作hive分区表以及.gz.parquet和part-00000文件压缩问题

文章目录

pyspark 操作hive表

1> `saveAsTable`写入

2> `insertInto`写入

2.1> 问题说明

2.2> 解决办法

3>`saveAsTextFile`写入直接操作文件

pyspark操作hive分区表以及.gz.parquet和part-00000文件压缩问题相关推荐

最新文章

热门文章

pyspark操作hive分区表以及.gz.parquet和part-00000文件压缩问题

文章目录

pyspark 操作hive表

1> saveAsTable写入

2> insertInto写入

2.1> 问题说明

2.2> 解决办法

3>saveAsTextFile写入直接操作文件

pyspark操作hive分区表以及.gz.parquet和part-00000文件压缩问题相关推荐

最新文章

热门文章

1> `saveAsTable`写入

2> `insertInto`写入

3>`saveAsTextFile`写入直接操作文件