Spark 在读取镶木地板文件时出现问题

Question

我有 2 个镶木地板零件文件 part-00043-0bfd7e28-6469-4849-8692-e625c25485e2-c000.snappy.parquet（零件文件来自 2017 年 11 月 14 日运行）和 part-00199-64714828-8a9e-4ae1-8735-c5102c0a834d-c000.snappy.parquet （是 2017 年 11 月 16 日运行的部分文件）并且都具有相同的模式（我通过打印模式验证）。

我的问题是，如果我使用 Spark 分别读取这 2 个文件，我有 10 列可以正常显示。但是如果我把这个文件放在文件夹中并尝试一起阅读，则总计数是正确的（来自 2 个文件的行总和）但是来自第二个文件的大部分列都是空的。只有一些 2 3 列具有正确的值（值存在于文件中，因为如果我单独阅读它，它会正确显示）。我在这里缺少什么？这是我用于测试的代码：

def initSparkConfig: SparkSession = {

    val sparkSession: SparkSession = SparkSession
      .builder()
      .appName("test")
      .master("local")
      .getOrCreate()

    sparkSession.sparkContext.hadoopConfiguration.set("mapreduce.fileoutputcommitter.algorithm.version", "2")
    sparkSession.sparkContext.getConf.set("spark.hadoop.parquet.enable.summary-metadata", "false")
    sparkSession.sparkContext.getConf.set("spark.sql.parquet.mergeSchema", "false")
    sparkSession.sparkContext.getConf.set("spark.sql.parquet.filterPushdown", "false")
    sparkSession.sparkContext.getConf.set("spark.sql.hive.metastorePartitionPruning", "true")

    sparkSession
  }

sparkSession = initSparkConfig
sparkSession.read.parquet("/test_spark/").createOrReplaceTempView("table")
sparkSession.sql("select * from table").show

更新：

如果我分别读取这两个文件并合并并读取，所有列都会毫无问题地被填充。

更新 2：

如果我在阅读时输入 mergeSchema = true，它会抛出异常 Found duplicate column(s) in the data schema and the partition schema: [List of columns which are coming null ] 。过滤列之一为 ambiguous

Answer 1

事实证明，模式不完全匹配。对于作为 null 出现的列名称，大小写存在差异（介于两者之间的某些字符）。 parquet 列名称区分大小写，因此这是导致所有问题的原因。它试图读取根本不存在的专栏。

Spark 在读取镶木地板文件时出现问题

Spark issues reading parquet files

scala

apache-spark

parquet

apache-spark-dataset