Spark：读取分区镶木地板数据中的 DateType 列时出错

Question

我在 S3 中有镶木地板数据，按 nyc_date 分区，格式为 s3://mybucket/mykey/nyc_date=Y-m-d/*.gz.parquet。

我有一个 DateType 列 event_date 当我尝试使用 EMR 从 S3 读取并写入 hdfs 时出于某种原因抛出此错误。

from pyspark.sql import SparkSession

spark = SparkSession.builder.enableHiveSupport().getOrCreate()
df = spark.read.parquet('s3a://mybucket/mykey/') 

df.limit(100).write.parquet('hdfs:///output/', compression='gzip')

错误：

java.lang.UnsupportedOperationException: org.apache.parquet.column.values.dictionary.PlainValuesDictionary$PlainBinaryDictionary
    at org.apache.parquet.column.Dictionary.decodeToInt(Dictionary.java:48)
    at org.apache.spark.sql.execution.vectorized.OnHeapColumnVector.getInt(OnHeapColumnVector.java:233)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator.processNext(Unknown Source)
    at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
    at org.apache.spark.sql.execution.WholeStageCodegenExec$$anonfun$$anon.hasNext(WholeStageCodegenExec.scala:370)
    at scala.collection.Iterator$$anon.hasNext(Iterator.scala:389)
    at scala.collection.Iterator$$anon.hasNext(Iterator.scala:408)
    at org.apache.spark.shuffle.sort.BypassMergeSortShuffleWriter.write(BypassMergeSortShuffleWriter.java:125)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:79)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:47)
    at org.apache.spark.scheduler.Task.run(Task.scala:86)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:274)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)

这是我得出的结论：

本地工作:-): 我在本地以相同的格式复制了一些数据，可以正常查询。
避免选择 event_date 有效 :-)：选择所有 50 多列，但 event_date 不会导致任何错误。
显式读取路径抛出错误:-(: 将读取路径更改为 's3a://mybucket/mykey/*/*.gz.parquet' 仍然抛出错误。
指定模式仍然会引发错误:-(: 在加载之前指定模式仍然会导致相同的错误。
我可以将包括 eastern_date 在内的数据加载到数据仓库中:-)。

真的很奇怪，这只会导致 DateType 列出错。我没有任何其他 DateType 列。

使用 Spark 2.0.2 和 EMR 5.2.0。

Answer 1

我在写 parquet 时只是使用了 StringType 而不是 DateType。没有问题了。

Answer 2

我知道我迟到了...

我遇到了类似的问题。我读了几个 parquet 目录，将它们联合起来，并尝试编写。

我的解决方法是在写入之前添加一个 .select(...)。

Answer 3

当 Spark 读取从 JSON 文件生成的 Parquet 文件时，我遇到了这个异常。

TLDR: 如果可能，使用强制应用的预期模式重写输入 Parquet。

以下 Scala 代码。 Python不会有太大的不同。

这几乎就是我的 Parquet 一代最初的样子：

spark.read
  .format("json")
  .load("<path-to-json-file>.json")
  .write
  .parquet("<path-to-output-directory>")

但是读取上述 Parquet 的 Spark 作业正在对输入强制执行模式。大概是这样的：

val structType: StructType = StructType(fields = Seq(...))
spark.read.schema(structType)

以上是异常发生的地方。

修复：为了修复异常，我不得不将模式强制应用于我生成的数据：

spark.read
  .schema(structType) // <===
  .format("json")
  .load("<path-to-json-file>.json")
  .write
  .parquet("<path-to-output-directory>")

据我了解，在我的案例中出现异常的原因不（仅）是 String-Type->DateType 转换，例如 @kamil-sindi。

但还有一个事实是，在读取 JSON 时，Spark 将 LongType 分配给所有数值。因此，我的 Parquet 将保存 LongType 个字段。

而 Spark 作业读取 Parquet，大概很难将 LongType 转换为 IntegerType。

Spark：读取分区镶木地板数据中的 DateType 列时出错

Spark: error reading DateType columns in partitioned parquet data

python

amazon-s3

apache-spark

parquet

pyspark