apache-spark - 外部覆盖后 Spark 和 Hive 表架构不同步

Question

我在使用 Spark 2.1.0 和 Hive 2.1.1 的 Mapr 集群上的 Spark 和 Hive 之间的 Hive 表架构不同步时遇到问题。

我需要尝试专门针对托管表解决此问题，但可以使用非托管/外部表重现该问题。

步骤概述

使用 saveAsTable将数据帧保存到给定的表。

使用 mode("overwrite").parquet("path/to/table")覆盖先前保存的表的数据。我实际上是通过 Spark 和 Hive 外部的进程修改数据，但这会重现相同的问题。

使用 spark.catalog.refreshTable(...)刷新元数据

用 spark.table(...).show() 查询表.原始数据帧和覆盖数据帧之间相同的任何列都将正确显示新数据，但不会显示仅在新表中的任何列。

例子

db_name = "test_39d3ec9"
table_name = "overwrite_existing"
table_location = "<spark.sql.warehouse.dir>/{}.db/{}".format(db_name, table_name)

qualified_table = "{}.{}".format(db_name, table_name)
spark.sql("CREATE DATABASE IF NOT EXISTS {}".format(db_name))

另存为托管表

existing_df = spark.createDataFrame([(1, 2)])
existing_df.write.mode("overwrite").saveAsTable(table_name)

请注意，使用以下内容保存为非托管表会产生相同的问题:

existing_df.write.mode("overwrite") \
    .option("path", table_location) \
    .saveAsTable(qualified_table)

查看表的内容

spark.table(table_name).show()
+---+---+
| _1| _2|
+---+---+
|  1|  2|
+---+---+

直接覆盖 Parquet 文件

new_df = spark.createDataFrame([(3, 4, 5, 6)], ["_4", "_3", "_2", "_1"])
new_df.write.mode("overwrite").parquet(table_location)

使用 parquet reader 查看内容，内容显示正确

spark.read.parquet(table_location).show()
+---+---+---+---+
| _4| _3| _2| _1|
+---+---+---+---+
|  3|  4|  5|  6|
+---+---+---+---+

刷新表的 spark 元数据并作为表再次读入。将更新相同列的数据，但不会显示其他列。

spark.catalog.refreshTable(qualified_table)
spark.table(qualified_table).show()
+---+---+
| _1| _2|
+---+---+
|  6|  5|
+---+---+

我还尝试在调用 spark.catalog.refreshTable 之前更新 hive 中的架构在 hive shell 中使用以下命令:

ALTER TABLE test_39d3ec9.overwrite_existing REPLACE COLUMNS (`_1` bigint, `_2` bigint, `_3` bigint, `_4` bigint);

运行 ALTER 命令后，我运行 describe 并在 hive 中正确显示

DESCRIBE test_39d3ec9.overwrite_existing
OK
_1                      bigint
_2                      bigint
_3                      bigint
_4                      bigint

在运行 alter 命令之前，它只按预期显示原始列

DESCRIBE test_39d3ec9.overwrite_existing
OK
_1                      bigint
_2                      bigint

然后我跑了 spark.catalog.refreshTable但这并没有影响 spark 对数据的看法。

补充说明

在 spark 方面，我使用 PySpark 进行了大部分测试，但也在 spark-shell (scala) 和 sparksql shell 中进行了测试。在 Spark shell 中，我也尝试使用 HiveContext但没有用。

import org.apache.spark.sql.hive.HiveContext
import spark.sqlContext.implicits._
val hiveObj = new HiveContext(sc)
hiveObj.refreshTable("test_39d3ec9.overwrite_existing")

在 hive shell 中执行 ALTER 命令后，我在 Hue 中验证了架构也在那里发生了变化。

我还尝试使用 spark.sql("ALTER ...") 运行 ALTER 命令但是我们使用的 Spark 版本 (2.1.0) 不允许它，并且基于此问题，它看起来直到 Spark 2.2.0 才可用: https://issues.apache.org/jira/browse/SPARK-19261

我也再次通读了 spark 文档，特别是本节: https://spark.apache.org/docs/2.1.0/sql-programming-guide.html#hive-metastore-parquet-table-conversion

基于这些文档， spark.catalog.refreshTable应该管用。 spark.sql.hive.convertMetastoreParquet的配置通常是 false ，但我把它切换到 true用于测试，它似乎没有任何影响。

任何帮助将不胜感激，谢谢!

Answer 1

我在 CDH 5.11.x 包中使用 spark 2.2.0 时遇到了类似的问题。

后 spark.write.mode("overwrite").saveAsTable()当我发出 spark.read.table().show不会显示任何数据。

在检查时，我发现这是 CDH spark 2.2.0 版本的一个已知问题。解决方法是在执行 saveAsTable 命令后运行以下命令。

spark.sql("ALTER TABLE qualified_table set SERDEPROPERTIES ('path'='hdfs://{hdfs_host_name}/{table_path}')")

spark.catalog.refreshTable("qualified_table")

例如:如果您的表 LOCATION
就像 hdfs://hdfsHA/user/warehouse/example.db/qualified_table
然后分配 'path'='hdfs://hdfsHA/user/warehouse/example.db/qualified_table'

这对我有用。试一试。我想现在你的问题已经解决了。如果没有你可以试试这个方法。

解决方法来源: https://www.cloudera.com/documentation/spark2/2-2-x/topics/spark2_known_issues.html