Как определить секционированную внешнюю таблицу для структуры вложенных каталогов - PullRequest
1 голос
/ 08 марта 2019

Для набора файлов данных, хранимых в hdfs в структуре year/*.csv, следующим образом:

$ hdfs dfs -ls air/


    Found 21 items
air/year=2000
    drwxr-xr-x   - hadoop hadoop          0 2019-03-08 01:45 air/year=2001
    drwxr-xr-x   - hadoop hadoop          0 2019-03-08 01:45 air/year=2002
    drwxr-xr-x   - hadoop hadoop          0 2019-03-08 01:45 air/year=2003
    drwxr-xr-x   - hadoop hadoop          0 2019-03-08 01:45 air/year=2004
    drwxr-xr-x   - hadoop hadoop          0 2019-03-08 01:45 air/year=2005
    drwxr-xr-x   - hadoop hadoop          0 2019-03-08 01:45 air/year=2006
    drwxr-xr-x   - hadoop hadoop          0 2019-03-08 01:45 air/year=2007
    drwxr-xr-x   - hadoop hadoop          0 2019-03-08 01:45 air/year=2008

Существует 12 csv файлов - по одному на каждый месяц.Поскольку наши запросы не заботятся о детализации по месяцам, все месяцы года можно разбрасывать в один каталог.Вот содержимое одного из лет: обратите внимание, что это .csv файлов:

[hadoop@ip-172-31-25-82 ~]$ hdfs dfs -ls air/year=2008


Found 10 items
-rw-r--r--   2 hadoop hadoop  193893785 2019-03-07 23:49 air/year=2008/On_Time_On_Time_Performance_2008_1.csv
-rw-r--r--   2 hadoop hadoop  199126288 2019-03-07 23:49 air/year=2008/On_Time_On_Time_Performance_2008_10.csv
-rw-r--r--   2 hadoop hadoop  182225240 2019-03-07 23:49 air/year=2008/On_Time_On_Time_Performance_2008_2.csv
-rw-r--r--   2 hadoop hadoop  197399305 2019-03-07 23:49 air/year=2008/On_Time_On_Time_Performance_2008_3.csv
-rw-r--r--   2 hadoop hadoop  191321415 2019-03-07 23:49 air/year=2008/On_Time_On_Time_Performance_2008_4.csv
-rw-r--r--   2 hadoop hadoop  194141438 2019-03-07 23:49 air/year=2008/On_Time_On_Time_Performance_2008_5.csv
-rw-r--r--   2 hadoop hadoop  195477306 2019-03-07 23:49 air/year=2008/On_Time_On_Time_Performance_2008_6.csv
-rw-r--r--   2 hadoop hadoop  201148079 2019-03-07 23:49 air/year=2008/On_Time_On_Time_Performance_2008_7.csv
-rw-r--r--   2 hadoop hadoop  219060870 2019-03-07 23:49 air/year=2008/On_Time_On_Time_Performance_2008_8.csv
-rw-r--r--   2 hadoop hadoop  172127584 2019-03-07 23:49 air/year=2008/On_Time_On_Time_Performance_2008_9.csv

Заголовок и одна строка выглядят так:

hdfs dfs -cat airlines/2008/On_Time_On_Time_Performance_2008_4.csv | head -n 2


  "Year","Quarter","Month","DayofMonth","DayOfWeek","FlightDate","UniqueCarrier","AirlineID","Carrier","TailNum","FlightNum","Origin","OriginCityName","OriginState","OriginStateFips","OriginStateName","OriginWac","Dest","DestCityName","DestState","DestStateFips","DestStateName","DestWac","CRSDepTime","DepTime","DepDelay","DepDelayMinutes","DepDel15","DepartureDelayGroups","DepTimeBlk","TaxiOut","WheelsOff","WheelsOn","TaxiIn","CRSArrTime","ArrTime","ArrDelay","ArrDelayMinutes","ArrDel15","ArrivalDelayGroups","ArrTimeBlk","Cancelled","CancellationCode","Diverted","CRSElapsedTime","ActualElapsedTime","AirTime","Flights","Distance","DistanceGroup","CarrierDelay","WeatherDelay","NASDelay","SecurityDelay","LateAircraftDelay",

2008,2,4,3,4,2008-04-03,"WN",19393,"WN","N601WN","3599","MAF","Midland/Odessa, TX","TX","48","Texas",74,"DAL","Dallas, TX","TX","48","Texas",74,"1115","1112",-3.00,0.00,0.00,-1,"1100-1159",10.00,"1122","1218",6.00,"1220","1224",4.00,4.00,0.00,0,"1200-1259",0.00,"",0.00,65.00,72.00,56.00,1.00,319.00,2,,,,,,

Вопрос: как«убедить» hive / spark правильно прочитать это содержимое?Подход такой:

  • Последний столбец year будет автоматически прочитан кустом из-за partitioning
  • Первый столбец YearIn будет заполнителем: его значениебудет прочитан, но мой код приложения будет игнорировать его в пользу year столбца разбиения
    • Все остальные поля обрабатываются без каких-либо особых соображений

Вот моя попытка.

create external table air (
YearIn string,Quarter string,Month string, 
 .. _long list of columns_ ..) 
partitioned by (year int) 
row format delimited fields terminated by ',' location '/user/hadoop/air/';

Результаты:

  • таблица создана и доступна как по hive, так и по `spark
  • Но таблица пуста - каксообщается обоими hive и spark

Что неверного в этом процессе?

1 Ответ

1 голос
/ 08 марта 2019

Определение таблицы выглядит хорошо, кроме заголовков.Если вы не пропустите заголовки, то строки заголовков будут возвращены в наборе данных, и если некоторые столбцы не являются строками, значения заголовков будут выбраны как NULL s.Чтобы пропустить выбранные заголовки, добавьте это в конец таблицы DDL tblproperties("skip.header.line.count"="1") - это свойство поддерживается только в Hive, прочитайте также этот обходной путь: https://stackoverflow.com/a/54542483/2700344

В дополнение к созданию таблицы вам необходимосоздать разделы.

Используйте команду MSCK [REPAIR] TABLE Air;.

Эквивалентная команда в версии Hive для Amazon Elastic MapReduce (EMR): ALTER TABLE Air RECOVER PARTITIONS.

Это добавит метаданные разделов Hive.См. Руководство здесь: ВОССТАНОВЛЕНИЕ РАЗДЕЛА

...