這篇文章給大家分享的是有關(guān)Spark存儲(chǔ)Parquet數(shù)據(jù)到Hive時(shí)如何對(duì)map、array、struct字段類型進(jìn)行處理的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，一起跟隨小編過來看看吧。

從網(wǎng)站建設(shè)到定制行業(yè)解決方案，為提供成都網(wǎng)站建設(shè)、成都網(wǎng)站制作服務(wù)體系，各種行業(yè)企業(yè)客戶提供網(wǎng)站建設(shè)解決方案，助力業(yè)務(wù)快速發(fā)展。成都創(chuàng)新互聯(lián)將不斷加快創(chuàng)新步伐，提供優(yōu)質(zhì)的建站服務(wù)。

利用Spark往Hive中存儲(chǔ)parquet數(shù)據(jù)，針對(duì)一些復(fù)雜數(shù)據(jù)類型如map、array、struct的處理遇到的問題？

為了更好的說明導(dǎo)致問題的原因、現(xiàn)象以及解決方案，首先看下述示例：

-- 創(chuàng)建存儲(chǔ)格式為parquet的Hive非分區(qū)表
CREATE EXTERNAL TABLE `t1`(
`id` STRING,
`map_col` MAP,
`arr_col` ARRAY,
`struct_col` STRUCT)
STORED AS PARQUET
LOCATION '/home/spark/test/tmp/t1';

-- 創(chuàng)建存儲(chǔ)格式為parquet的Hive分區(qū)表
CREATE EXTERNAL TABLE `t2`(
`id` STRING,
`map_col` MAP,
`arr_col` ARRAY,
`struct_col` STRUCT)
PARTITIONED BY (`dt` STRING)
STORED AS PARQUET
LOCATION '/home/spark/test/tmp/t2';

分別向t1、t2執(zhí)行insert into（insert overwrite..select也會(huì)導(dǎo)致下列問題）語句，列map_col都存儲(chǔ)為空map：

insert into table t1 values(1,map(),array('1,1,1'),named_struct('A','1','B','1'));

insert into table t2 partition(dt='20200101') 

values(1,map(),array('1,1,1'),named_struct('A','1','B','1'));

t1表正常執(zhí)行，但對(duì)t2執(zhí)行上述insert語句時(shí)，報(bào)如下異常：

Caused by: parquet.io.ParquetEncodingException: empty fields are illegal, the field should be ommited completely instead
at parquet.io.MessageColumnIO$MessageColumnIORecordConsumer.endField(MessageColumnIO.java:244)
   at org.apache.hadoop.hive.ql.io.parquet.write.DataWritableWriter.writeMap(DataWritableWriter.java:241)
   at org.apache.hadoop.hive.ql.io.parquet.write.DataWritableWriter.writeValue(DataWritableWriter.java:116)
   at org.apache.hadoop.hive.ql.io.parquet.write.DataWritableWriter.writeGroupFields(DataWritableWriter.java:89)
   at org.apache.hadoop.hive.ql.io.parquet.write.DataWritableWriter.write(DataWritableWriter.java:60)
   ... 23 more

t1和t2從建表看唯一的區(qū)別就是t1不是分區(qū)表而t2是分區(qū)表，僅僅從報(bào)錯(cuò)信息是無法看出表分區(qū)產(chǎn)生這種問題的原因，看看源碼是做了哪些不同的處理（這里為了方便，筆者這里直接給出分析這個(gè)問題的源碼思路圖）：

t1底層存儲(chǔ)指定的是ParquetFilemat，t2底層存儲(chǔ)指定的是HiveFileFormat。這里主要分析一下存儲(chǔ)空map到t2時(shí)，為什么出問題，以及如何處理，看幾個(gè)核心的代碼（具體的可以參考上述源碼圖）：  

從拋出的異常信息empty fields are illegal，關(guān)鍵看empty fields在哪里拋出，做了哪些處理，這要看MessageColumnIO中startField和endField是做了哪些處理：

public void startField(String field, int index) {
 try {
 if (MessageColumnIO.DEBUG) {
   this.log("startField(" + field + ", " + index + ")");
 }

 this.currentColumnIO = ((GroupColumnIO)this.currentColumnIO).getChild(index);
 //MessageColumnIO中，startField方法中首先會(huì)將emptyField設(shè)置為true
 this.emptyField = true;
 if (MessageColumnIO.DEBUG) {
     this.printState();
 }

 } catch (RuntimeException var4) {
throw new ParquetEncodingException("error starting field " + field + " at " + index, var4);
   }
}

//endField方法中會(huì)針對(duì)emptyField是否為true來決定是否拋出異常
public void endField(String field, int index) {
  if (MessageColumnIO.DEBUG) {
      this.log("endField(" + field + ", " + index + ")");
  }

  this.currentColumnIO = this.currentColumnIO.getParent();
  //如果到這里仍為true，則拋異常
  if (this.emptyField) {
      throw new ParquetEncodingException("empty fields are illegal, the field should be ommited completely instead");
    } else {
        this.fieldsWritten[this.currentLevel].markWritten(index);
        this.r[this.currentLevel] = this.currentLevel == 0 ? 0 : this.r[this.currentLevel - 1];
       if (MessageColumnIO.DEBUG) {
           this.printState();
       }

   }
}

針對(duì)map做處理的一些源碼：

private void writeMap(final Object value, final MapObjectInspector inspector, final GroupType type) {
   // Get the internal map structure (MAP_KEY_VALUE)
   GroupType repeatedType = type.getType(0).asGroupType();

   recordConsumer.startGroup();
   recordConsumer.startField(repeatedType.getName(), 0);

   Map mapValues = inspector.getMap(value);

   Type keyType = repeatedType.getType(0);
   String keyName = keyType.getName();
   ObjectInspector keyInspector = inspector.getMapKeyObjectInspector();

   Type valuetype = repeatedType.getType(1);
   String valueName = valuetype.getName();
   ObjectInspector valueInspector = inspector.getMapValueObjectInspector();

   for (Map.Entry keyValue : mapValues.entrySet()) {
     recordConsumer.startGroup();
     if (keyValue != null) {
       // write key element
       Object keyElement = keyValue.getKey();
       //recordConsumer此處對(duì)應(yīng)的是MessageColumnIO中的MessageColumnIORecordConsumer
       //查看其中的startField和endField的處理
       recordConsumer.startField(keyName, 0);
       //查看writeValue中對(duì)原始數(shù)據(jù)類型的處理，如int、boolean、varchar
       writeValue(keyElement, keyInspector, keyType);
       recordConsumer.endField(keyName, 0);

       // write value element
       Object valueElement = keyValue.getValue();
       if (valueElement != null) {
         //同上
         recordConsumer.startField(valueName, 1);
         writeValue(valueElement, valueInspector, valuetype);
         recordConsumer.endField(valueName, 1);
       }
     }
     recordConsumer.endGroup();
   }

   recordConsumer.endField(repeatedType.getName(), 0);
   recordConsumer.endGroup();
}

private void writePrimitive(final Object value, final PrimitiveObjectInspector inspector) {
 //value為null，則return
 if (value == null) {
   return;
 }

 switch (inspector.getPrimitiveCategory()) {
   //PrimitiveCategory為VOID，則return
   case VOID:
     return;
   case DOUBLE:
     recordConsumer.addDouble(((DoubleObjectInspector) inspector).get(value));
      break;
    //下面是對(duì)double、boolean、float、byte、int等數(shù)據(jù)類型做的處理，這里不在貼出
    ....

可以看到在startFiled中首先對(duì)emptyField設(shè)置為true，只有在結(jié)束時(shí)比如endField方法中將emptyField設(shè)置為false，才不會(huì)拋出上述異常。而存儲(chǔ)字段類型為map時(shí)，有幾種情況會(huì)導(dǎo)致這種異常的發(fā)生，比如map為空或者map的key為null。

這里只是以map為例，對(duì)于array、struct都有類似問題，看源碼HiveFileFormat -> DataWritableWriter對(duì)這三者處理方式類似。類似的問題，在Hive的issue中https://issues.apache.org/jira/browse/HIVE-11625也有討論。

分析出問題解決就比較簡(jiǎn)單了，以存儲(chǔ)map類型字段為例：

1. 如果無法改變建表schema，或者存儲(chǔ)時(shí)底層用的就是HiveFileFormat

如果無法確定存儲(chǔ)的map字段是否為空，存儲(chǔ)之前判斷一下map是否為空，可以寫個(gè)udf或者用size判斷一下，同時(shí)要保證key不能為null

2.建表時(shí)使用Spark的DataSource表

-- 這種方式本質(zhì)上還是用ParquetFileFormat，并且是內(nèi)部表，生產(chǎn)中不建議直接使用這種方式
CREATE TABLE `test`(
`id` STRING,
`map_col` MAP,
`arr_col` ARRAY,
`struct_col` STRUCT)
USING parquet
OPTIONS(`serialization.format` '1');

3. 存儲(chǔ)時(shí)指定ParquetFileFormat

比如，ds.write.format("parquet").save("/tmp/test")

其實(shí)像這類問題，相信很多人都遇到過并且解決了。這里是為了給出當(dāng)遇到問題時(shí)，解決的一種思路。不僅要知道如何解決，更要知道發(fā)生問題是什么原因?qū)е碌?、如何避免這種問題、解決了問題是怎么解決的（為什么這種方式能解決，有沒有更優(yōu)的方法）等。

感謝各位的閱讀！關(guān)于“Spark存儲(chǔ)Parquet數(shù)據(jù)到Hive時(shí)如何對(duì)map、array、struct字段類型進(jìn)行處理”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！

分享標(biāo)題：Spark存儲(chǔ)Parquet數(shù)據(jù)到Hive時(shí)如何對(duì)map、array、struct字段類型進(jìn)行處理
文章轉(zhuǎn)載：http://weahome.cn/article/jdgdhc.html