pyspark操作hive分区表及.gz.parquet和part-00000文件压缩

编辑: admin 分类: python 发布时间: 2021-12-03 来源:互联网
目录
  • pyspark 操作hive表
    • 1> saveAsTable写入
    • 2> insertInto写入
      • 2.1> 问题说明
      • 2.2> 解决办法
    • 3>saveAsTextFile写入直接操作文件

    pyspark 操作hive表

    pyspark 操作hive表，hive分区表动态写入；最近发现spark动态写入hive分区，和saveAsTable存表方式相比，文件压缩比大约 4:1。针对该问题整理了 spark 操作hive表的几种方式。

    1> saveAsTable写入

    saveAsTable(self, name, format=None, mode=None, partitionBy=None, **options)

    示例：

    df.write.saveAsTable("表名",mode='overwrite')

    注意：

    1、表不存在则创建表，表存在全覆盖写入；
    2、表存在，数据字段有变化，先删除后重新创建表；
    3、当正在存表时报错或者终止程序会导致表丢失；
    4、数据默认采用parquet压缩，文件名称 part-00000-5efbfc08-66fe-4fd1-bebb-944b34689e70.gz.parquet

    数据文件在hdfs上显示：

    2> insertInto写入

    insertInto(self, tableName, overwrite=False):
    示例：

    # append 写入
df.repartition(1).write.partitionBy('dt').insertInto("表名")
# overwrite 写入
df.repartition(1).write.partitionBy('dt').insertInto("表名",overwrite=True)
# 动态分区使用该方法

    注意：

    1、df.write.mode("overwrite").partitionBy("dt").insertInto("表名") 不会覆盖数据
    2、需要表必须存在且当前DF的schema与目标表的schema必须一致
    3、插入的文件不会压缩；文件以part-00....结尾。文件较大

    数据文件在hdfs上显示：

    2.1> 问题说明

    两种方式存储数据量一样的数据，磁盘文件占比却相差很大，.gz.parquet 文件 相比 part-00000文件要小很多。想用spark操作分区表，又想让文件压缩，百度了一些方式，都没有解决。
    从stackoverflow中有一个类似的问题 Spark compression when writing to external Hive table 。用里面的方法并没有解决。
    最终从hive表数据文件压缩角度思考，问题得到解决。

    hive 建表指定压缩格式
    下面是hive parquet的几种压缩方式

    -- 使用snappy
CREATE TABLE if not exists ods.table_test(
    id string,
    open_time string
	)
COMMENT '测试'
PARTITIONED BY (`dt` string COMMENT '按天分区')
row format delimited fields terminated by '\001' 
STORED AS PARQUET 
TBLPROPERTIES ('parquet.compression'='SNAPPY');

-- 使用gzip
CREATE TABLE if not exists ods.table_test(
    id string,
    open_time string
	)
COMMENT '测试'
PARTITIONED BY (`dt` string COMMENT '按天分区')
row format delimited fields terminated by '\001' 
STORED AS PARQUET 
TBLPROPERTIES ('parquet.compression'='GZIP');
 
-- 使用uncompressed
CREATE TABLE if not exists ods.table_test(
    id string,
    open_time string
	)
COMMENT '测试'
PARTITIONED BY (`dt` string COMMENT '按天分区')
row format delimited fields terminated by '\001' 
STORED AS PARQUET 
TBLPROPERTIES ('parquet.compression'='UNCOMPRESSED');

 
-- 使用默认
CREATE TABLE if not exists ods.table_test(
    id string,
    open_time string
	)
COMMENT '测试'
PARTITIONED BY (`dt` string COMMENT '按天分区')
row format delimited fields terminated by '\001' 
STORED AS PARQUET;
 
-- 设置参数 set parquet.compression=SNAPPY;

    2.2> 解决办法

    建表时指定TBLPROPERTIES，采用gzip 压缩
    示例：

    drop table if exists ods.table_test
CREATE TABLE if not exists ods.table_test(
id string,
open_time string
)
COMMENT '测试'
PARTITIONED BY (`dt` string COMMENT '按天分区')
row format delimited fields terminated by '\001' 
STORED AS PARQUET 
TBLPROPERTIES ('parquet.compression'='GZIP');

    执行效果

    数据文件在hdfs上显示：

    可以看到文件大小占比已经和 *.gz.parquet 文件格式一样了

    3>saveAsTextFile写入直接操作文件

    saveAsTextFile(self, path, compressionCodecClass=None)
    该方式通过rdd 以文件形式直接将数据存储在hdfs上。
    示例：

    rdd.saveAsTextFile('hdfs://表全路径')

    文件操作更多方式见官方文档

    到此这篇关于pyspark操作hive分区表及.gz.parquet和part-00000文件压缩问题的文章就介绍到这了,更多相关pyspark hive分区表parquet内容请搜索hwidc以前的文章或继续浏览下面的相关文章希望大家以后多多支持hwidc！

    【文章由美国大带宽服务器http://www.558idc.com/mg.html 提供，感恩】
    更多阅读