溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
如何進行SparkSQL與Hive metastore Parquet轉換的分析，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。
這里從表schema的處理角度而言，就必須注意Hive和Parquet兼容性，主要有兩個區別：
1.Hive是大小寫敏感的，但Parquet相反
2.Hive會將所有列視為nullable，但是nullability在parquet里有獨特的意義
1.有相同名字的字段必須要有相同的數據類型，忽略nullability。兼容處理的字段應該保持Parquet側的數據類型，這樣就可以處理到nullability類型了（空值問題）
2.兼容處理的schema應只包含在Hive元數據里的schema信息，主要體現在以下兩個方面：
（1）只出現在Parquet schema的字段會被忽略
// 第一種方式應用的比較多1. sparkSession.catalog.refreshTable(s"${dbName.tableName}")2. sparkSession.catalog.refreshByPath(s"${path}")最后說一下最近后臺小伙伴在生產中遇到的一個問題，大家如果在業務處理中遇到類似的問題，提供一個思路。
在說問題之前首先了解一個參數spark.sql.parquet.writeLegacyFormat（默認false）的作用：
比如，對于decimal數據類型的兼容處理，不設置true時，經常會報類似如下的錯誤：
Job aborted due to stage failure: Task 0 in stage 0.0 failed 1 times, most recent failure: Lost task 0.0 in stage 0.0 (TID 0, localhost, executor driver): parquet.io.ParquetDecodingException: Can not read value at 0 in block -1 in file hdfs://hadoop/data/test_decimal/dt=20200515000000/part-00000-9820eba2-8a40-446d-8c28-37027a1b1f2d-c000.snappy.parquet at parquet.hadoop.InternalParquetRecordReader.nextKeyValue(InternalParquetRecordReader.java:228) at parquet.hadoop.ParquetRecordReader.nextKeyValue(ParquetRecordReader.java:201) at org.apache.hadoop.hive.ql.io.parquet.read.ParquetRecordReaderWrapper.<init>(ParquetRecordReaderWrapper.java:122) at org.apache.hadoop.hive.ql.io.parquet.read.ParquetRecordReaderWrapper.<init>(ParquetRecordReaderWrapper.java:85) at org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat.getRecordReader(MapredParquetInputFormat.java:72)... Caused by: java.lang.UnsupportedOperationException: parquet.column.values.dictionary.PlainValuesDictionary$PlainLongDictionary at parquet.column.Dictionary.decodeToBinary(Dictionary.java:44)...
此時我們需要將spark.sql.parquet.writeLegacyFormat設置為true來解決上述的異常問題。
但如果同時設置spark.sql.hive.convertMetastoreParquet為false時，要注意一些數據類型以及精度的處理，比如對于decimal類型的處理。通過一個例子復原一下當時的場景：
1.創建Hive外部表testdb.test_decimal，其中字段fee_rate為decimal(10,10)
CREATE EXTERNAL TABLE `testdb`.`test_decimal`(`no` STRING , `fee_rate` DECIMAL(10,10)) PARTITIONED BY (`dt` STRING ) ROW FORMAT SERDE 'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'WITH SERDEPROPERTIES ( 'serialization.format' = '1' ) STORED AS INPUTFORMAT 'org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat' OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat' LOCATION 'hdfs://hadoop/data/test_decimal' TBLPROPERTIES ( 'transient_lastDdlTime' = '1589160440' ) ;
2.將testdb.item中的數據處理后保存到testdb.test_decimal中
// 這里為了展示方便，直接查詢testdb.item中的數據// 注意: 字段fee_rate的類型為decimal(10,6)select no, fee_rate from testdb.item where dt=20190528;// testdb.item中數據示例如下+-------------------+----------------+| no| fee_rate|+-------------------+----------------+| 1| 0.000000|| 2| 0.000000|| 3| 0.000000|+-------------------+----------------+
// tmp是上述查詢testdb.item獲得的臨時表// 以parquet格式保存到test_decimal的20200529分區中save overwrite tmp as parquet.`/data/test_decimal/dt=20200529`; msck repair TABLE testdb.item;
上述1-3都能成功執行，數據也能保存到testdb.test_decimal中，但是當查詢testdb.test_decimal中的數據時，比如執行sql：
select * from testdb.test_decimal where dt = 20200529;
Job aborted due to stage failure: Task 0 in stage 4.0 failed 1 times, most recent failure: Lost task 0.0 in stage 4.0 (TID 4, localhost, executor driver): java.lang.NullPointerException at org.apache.spark.sql.hive.HiveShim$.toCatalystDecimal(HiveShim.scala:107) at org.apache.spark.sql.hive.HadoopTableReader$$anonfun$14$$anonfun$apply$11.apply(TableReader.scala:415) at org.apache.spark.sql.hive.HadoopTableReader$$anonfun$14$$anonfun$apply$11.apply(TableReader.scala:414) at org.apache.spark.sql.hive.HadoopTableReader$$anonfun$fillObject$2.apply(TableReader.scala:443) at org.apache.spark.sql.hive.HadoopTableReader$$anonfun$fillObject$2.apply(TableReader.scala:434) at scala.collection.Iterator$$anon$11.next(Iterator.scala:409) at scala.collection.Iterator$$anon$11.next(Iterator.scala:409) at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIteratorForCodegenStage1.processNext(Unknown Source) ...
究其原因是因為按照上述兩個參數的配置，testdb.item中fee_rate字段類型為decimal(10,6)，數據為0.000000，經過一系列處理0.000000最終會被處理為0，看下邊最終導致空指針異常的部分，就會一目了然。
public static BigDecimal enforcePrecisionScale(BigDecimal bd, int maxPrecision, int maxScale) { if (bd == null) { return null; } else { bd = trim(bd); if (bd.scale() > maxScale) { bd = bd.setScale(maxScale, RoundingMode.HALF_UP); } // testdb.test_decimal中fee_rate的類型decimal(10,10)，即precision為10，scale也為10 // 對應這里即maxPrecision和maxScale分別為10，則maxIntDigits為0 int maxIntDigits = maxPrecision - maxScale; // bd對應0。對于0而言，precision為1，scale為0 // 處理之后 intDigits為1 int intDigits = bd.precision() - bd.scale(); return intDigits > maxIntDigits ? null : bd; }}
解決辦法也很簡單，就是將testdb.test_decimal中的fee_rate數據類型和依賴的表testdb.item中的fee_rate保持完全一致，即也為decimal(10,6)。
這個現象在實際應用環境中經常遇到，通用的解決辦法就是將要保存的表中的數據類型與依賴的表（物理表或者臨時表）的字段類型保持完全一致。
看完上述內容，你們掌握如何進行SparkSQL與Hive metastore Parquet轉換的分析的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
