hadoop - 如何使用配置单元 1.2 从 s3 中的 Parquet 文件创建外部表？

Question

我在 Qubole(Hive) 中创建了一个外部表，它从 s3 读取 parquet(compressed: snappy) 文件，但是在执行 SELECT * table_name 时，我得到了所有的空值除分区列之外的列。

我尝试在 SERDEPROPERTIES 中使用不同的 serialization.format 值，但我仍然面临同样的问题。在删除属性 'serialization.format' = '1' 时，我得到了 ERROR: Failed with exception java.io.IOException:Can not read value at 0 in block -1 in file s3://path_to_parquet/.

我检查了 parquet 文件并能够使用 parquet-tools 读取数据:

**file_01.snappy.parquet:**
{"col_2":1234,"col_3":ABC}
{"col_2":124,"col_3":FHK}
{"col_2":12515,"col_3":UPO}


**External table stmt:**
CREATE EXTERNAL TABLE parquet_test
(
    col2 int,
    col3 string
)
PARTITIONED BY (col1 date) 
ROW FORMAT SERDE 'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
)
STORED AS PARQUET
LOCATION 's3://path_to_parquet'
TBLPROPERTIES ('parquet.compress'='SNAPPY');

Result:
col_1   col_2   col_3
5/3/19  NULL    NULL
5/4/19  NULL    NULL
5/5/19  NULL    NULL
5/6/19  NULL    NULL

Expected Result:
col_1   col_2   col_3
5/3/19  1234    ABC
5/4/19  124     FHK
5/5/19  12515   UPO
5/6/19  1234    ABC

Answer 1

假设该表是使用 Hive 创建并使用 Spark 读取的，编写以下答案(因为问题标记为 apache-spark-sql )

数据是如何创建的？

Spark 支持区分大小写的模式。当我们使用数据框 API 时，可以使用区分大小写的模式来编写。
示例:

scala> case class Employee(iD: Int, NaMe: String )
defined class Employee
scala> val df =spark.range(10).map(x => Employee(x.toInt, s"name$x")).write.save("file:///tmp/data/")
scala> spark.read.parquet("file:///tmp/data/").printSchema
root
 |-- iD: integer (nullable = true)
 |-- NaMe: string (nullable = true)

请注意，在上面的示例中，区分大小写得到了保留。
当我们在从 Spark 创建的数据之上创建一个 Hive 表时，Hive 将能够正确读取它，因为它不区分大小写。
而当使用 Spark 读取相同的数据时，它使用 Hive 的模式，默认情况下是小写的，返回的行是 null .
为了克服这个问题，Spark 引入了一个配置 spark.sql.hive.caseSensitiveInferenceMode .

object HiveCaseSensitiveInferenceMode extends Enumeration {
  val INFER_AND_SAVE, INFER_ONLY, NEVER_INFER = Value
}

val HIVE_CASE_SENSITIVE_INFERENCE = buildConf("spark.sql.hive.caseSensitiveInferenceMode")
  .doc("Sets the action to take when a case-sensitive schema cannot be read from a Hive " +
    "table's properties. Although Spark SQL itself is not case-sensitive, Hive compatible file " +
    "formats such as Parquet are. Spark SQL must use a case-preserving schema when querying " +
    "any table backed by files containing case-sensitive field names or queries may not return " +
    "accurate results. Valid options include INFER_AND_SAVE (the default mode-- infer the " +
    "case-sensitive schema from the underlying data files and write it back to the table " +
    "properties), INFER_ONLY (infer the schema but don't attempt to write it to the table " +
    "properties) and NEVER_INFER (fallback to using the case-insensitive metastore schema " +
    "instead of inferring).")
  .stringConf
  .transform(_.toUpperCase(Locale.ROOT))
  .checkValues(HiveCaseSensitiveInferenceMode.values.map(_.toString))
  .createWithDefault(HiveCaseSensitiveInferenceMode.INFER_AND_SAVE.toString)

INFER_AND_SAVE - Spark 推断模式并存储在 Metastore 中作为表的一部分 TBLEPROPERTIES (desc extended <table name> 应该揭示这一点)
如果属性的值NOT或者INFER_AND_SAVE或 INFER_ONLY ，然后 Spark 使用 Metastore 表中的模式，并且将无法读取 parquet 文件。该属性的默认值为 INFER_AND_SAVE从 Spark 2.2.0 开始。

我们可以检查以下内容，看看问题是否与架构敏感性有关:
1. spark.sql.hive.caseSensitiveInferenceMode 的值(spark.sql("set spark.sql.hive.caseSensitiveInferenceMode") 应该揭示这一点)
2.如果使用Spark创建的数据
3.如果2为真，检查Schema是否区分大小写(spark.read(<location>).printSchema)4. 如果 3 使用区分大小写的架构并且 1 的输出不是 INFER_AND_SAVE/INFER_ONLY , 设置 spark.sql("set spark.sql.hive.caseSensitiveInferenceMode=INFER_AND_SAVE") ，删除表，重新创建表并尝试从 Spark 读取数据。