如何在使用 pyspark 读取镶木地板文件时指定架构？

Question

使用 scala 或 pyspark 读取存储在 hadoop 中的镶木地板文件时发生错误：

#scala    
var dff = spark.read.parquet("/super/important/df")
    org.apache.spark.sql.AnalysisException: Unable to infer schema for Parquet. It must be specified manually.;
      at org.apache.spark.sql.execution.datasources.DataSource$$anonfun.apply(DataSource.scala:189)
      at org.apache.spark.sql.execution.datasources.DataSource$$anonfun.apply(DataSource.scala:189)
      at scala.Option.getOrElse(Option.scala:121)
      at org.apache.spark.sql.execution.datasources.DataSource.org$apache$spark$sql$execution$datasources$DataSource$$getOrInferFileFormatSchema(DataSource.scala:188)
  at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:387)
  at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:152)
  at org.apache.spark.sql.DataFrameReader.parquet(DataFrameReader.scala:441)
  at org.apache.spark.sql.DataFrameReader.parquet(DataFrameReader.scala:425)
  ... 52 elided

或

sql_context.read.parquet(output_file)

导致同样的错误。

错误消息非常清楚地说明了必须执行的操作：无法推断 Parquet 的架构。必须手动指定。;。但是在哪里可以指定呢？

Spark 2.1.1，Hadoop 2.5，数据帧是在 pyspark 的帮助下创建的。文件被分成10个peaces。

Answer 1

我已经完成了同样的快速实现

希望对您有所帮助！！...

Answer 2

当您尝试将空目录读取为 parquet 时，通常会发生此错误。例如，如果您创建一个空的 DataFrame，将其写入 parquet 中然后读取它，则会出现此错误。您可以在写入之前使用 rdd.isEmpty() 检查 DataFrame 是否为空。

如何在使用 pyspark 读取镶木地板文件时指定架构？

How to specify schema while reading parquet file with pyspark?

hadoop

apache-spark

parquet

pyspark