Je souhaite pouvoir récupérer la valeur location d'une table Hive à partir d'un objet Spark (SparkSession). Une façon d'obtenir cette valeur consiste à analyser la sortie de l'emplacement via la requête SQL suivante:
describe formatted <table name>
Je me demandais s'il existe un autre moyen d'obtenir l ' emplacement value sans avoir à analyser la sortie. Une API serait idéale au cas où la sortie de la commande ci-dessus change entre les versions de Hive. Si une dépendance externe est nécessaire, quelle serait-elle? Existe-t-il un exemple de code Spark permettant d'obtenir la valeur de l'emplacement?
6 Réponses :
Première approche
Vous pouvez utiliser nom_fichier_entrée
avec dataframe.
cela vous donnera le chemin absolu du fichier pour un fichier pièce.
/ p>
package org.apache.spark.sql.hive import java.net.URI import org.apache.spark.sql.catalyst.catalog.{InMemoryCatalog, SessionCatalog} import org.apache.spark.sql.catalyst.parser.ParserInterface import org.apache.spark.sql.internal.{SessionState, SharedState} import org.apache.spark.sql.SparkSession class TableDetail { def getTableLocation(table: String, spark: SparkSession): URI = { val sessionState: SessionState = spark.sessionState val sharedState: SharedState = spark.sharedState val catalog: SessionCatalog = sessionState.catalog val sqlParser: ParserInterface = sessionState.sqlParser val client = sharedState.externalCatalog match { case catalog: HiveExternalCatalog => catalog.client case _: InMemoryCatalog => throw new IllegalArgumentException("In Memory catalog doesn't " + "support hive client API") } val idtfr = sqlParser.parseTableIdentifier(table) require(catalog.tableExists(idtfr), new IllegalArgumentException(idtfr + " done not exists")) val rawTable = client.getTable(idtfr.database.getOrElse("default"), idtfr.table) rawTable.location } }
Et puis en extraire le chemin de la table.
Deuxième approche
C'est plus de vous pirater peut dire.
spark.read.table("zen.intent_master").select(input_file_name).take(1)
Que faire si la table Hive ne contient aucun fichier? Comment puis-je obtenir la valeur de l'emplacement pour cela?
@codeshark J'ai mis à jour la réponse avec la deuxième approche, j'espère que cela fonctionnera dans votre cas.
Qu'est-ce que "nom_fichier_entrée"?
C'est une fonction d'étincelle. Vous pouvez utiliser avec import org.apache.spark.sql.functions._
Vous pouvez rechercher de la documentation pour plus de détails. spark.apache.org/docs/2.0.0/api/scala/...
Voici la bonne réponse:
import org.apache.spark.sql.catalyst.TableIdentifier lazy val tblMetadata = spark.sessionState.catalog.getTableMetadata(new TableIdentifier(tableName,Some(schema)))
@GuilhermedeLazari ici c'est spark._jsparkSession.sessionState (). Catalog (). GetTableMetada ta (spark.sparkContex t._jvm.org.apache.sp ark.sql.catalyst.Tab leIdentifier ('table ', spark.sparkContext._jvm.scala.Some (' base de données '))). Storage (). L ocationUri (). Get ()
Vous pouvez également utiliser la méthode .toDF
sur le tableau au format desc
, puis filtrer à partir du dataframe.
DataframeAPI :
String = /location/part_table
Résultat:
scala> :paste spark.sql("desc formatted data_db.part_table") .collect() .filter(r => r(0).equals("Location")) //filter on r(0) value .map(r => r(1)) //get only the location .mkString //convert as string .split("8020")(1) //change the split based on your namenode port..etc
Merci pour le mode coller :)
Voici comment procéder dans PySpark:
(spark.sql("desc formatted mydb.myschema") .filter("col_name=='Location'") .collect()[0].data_type)
Utilisez ceci comme fonction réutilisable dans votre projet scala
+--------+------------------------------------+-------+ |col_name|data_type |comment| +--------+--------------------------------------------+ |Location|file:/Users/hive/spark-warehouse/src| | +--------+------------------------------------+-------+ file:/Users/hive/spark-warehouse/src
l'appelant serait
println(getHiveTablePath("src", spark)) // you can prefix schema if you have
Result (j'ai exécuté en local donc file: / ci-dessous si son hdfs hdfs: // viendra):
def getHiveTablePath(tableName: String, spark: SparkSession):String = { import org.apache.spark.sql.functions._ val sql: String = String.format("desc formatted %s", tableName) val result: DataFrame = spark.sql(sql).filter(col("col_name") === "Location") result.show(false) // just for debug purpose val info: String = result.collect().mkString(",") val path: String = info.split(',')(1) path }
UTILISER ExternalCatalog
scala> spark res15: org.apache.spark.sql.SparkSession = org.apache.spark.sql.SparkSession@4eba6e1f scala> val metastore = spark.sharedState.externalCatalog metastore: org.apache.spark.sql.catalyst.catalog.ExternalCatalog = org.apache.spark.sql.hive.HiveExternalCatalog@24b05292 scala> val location = metastore.getTable("meta_data", "mock").location location: java.net.URI = hdfs://10.1.5.9:4007/usr/hive/warehouse/meta_data.db/mock