python - Spark : error reading DateType columns in partitioned parquet data

Question

我在 S3 中有按 nyc_date 分区的 Parquet 数据，格式为 s3://mybucket/mykey/nyc_date=Y-m-d/*.gz.parquet。

我有一个 DateType 列 event_date，当我尝试使用 EMR 从 S3 读取并写入 hdfs 时出于某种原因抛出此错误。

from pyspark.sql import SparkSession

spark = SparkSession.builder.enableHiveSupport().getOrCreate()
df = spark.read.parquet('s3a://mybucket/mykey/') 

df.limit(100).write.parquet('hdfs:///output/', compression='gzip')

错误:

java.lang.UnsupportedOperationException: org.apache.parquet.column.values.dictionary.PlainValuesDictionary$PlainBinaryDictionary
    at org.apache.parquet.column.Dictionary.decodeToInt(Dictionary.java:48)
    at org.apache.spark.sql.execution.vectorized.OnHeapColumnVector.getInt(OnHeapColumnVector.java:233)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator.processNext(Unknown Source)
    at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
    at org.apache.spark.sql.execution.WholeStageCodegenExec$$anonfun$8$$anon$1.hasNext(WholeStageCodegenExec.scala:370)
    at scala.collection.Iterator$$anon$10.hasNext(Iterator.scala:389)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:408)
    at org.apache.spark.shuffle.sort.BypassMergeSortShuffleWriter.write(BypassMergeSortShuffleWriter.java:125)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:79)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:47)
    at org.apache.spark.scheduler.Task.run(Task.scala:86)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:274)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)

这是我想出来的:

• 本地工作 :-):我以相同的格式在本地复制了一些数据，可以正常查询。
• 避免选择 event_date 有效:-):选择除 event_date 之外的所有 50 多个列不会导致任何错误。
• 显式读取路径抛出错误 :-(:将读取路径更改为 's3a://mybucket/mykey/*/*.gz.parquet' 仍然抛出错误。
• 指定模式仍然会引发错误 :-(:在加载之前指定模式仍然会导致相同的错误。
• 我可以将包括 eastern_date 在内的数据加载到数据仓库中:-)。

真的很奇怪，这只会导致 DateType 列出错。我没有任何其他 DateType 列。

使用 Spark 2.0.2 和 EMR 5.2.0。

Answer 1

我在写 parquet 时只是使用了 StringType 而不是 DateType。不再有问题。