暂无图片
暂无图片
暂无图片
暂无图片
暂无图片

SparkSQL真的不支持存储NullType类型数据到Parquet吗?

大数据学习与分享 2020-10-29
911

最近后台有小伙伴提了一些实际工作中使用Spark遇到的问题,笔者挑选了几个相对常见的问题,分别从场景模拟/问题现象、问题分析、解决方案三个层面,来深入分析这些问题,并且提供一个解决类似问题的思路。

>> 问题1

使用SparkSQL(2.4版本)往存储格式为parquet的Hive分区表中存储NullType类型的数据时报错:
    org.apache.spark.sql.AnalysisException: Parquet data source does not support null data type.
    虽然在Stack OverFlow上找到了类似的问题,但没有具体阐明到底是什么原因导致了这种问题以及如何解决?

    1. 场景模拟

    1)创建temp view:test_view
      sparkSession.sql(
      """
      |select 1 as id, null as name
      """.stripMargin
      ).createOrReplaceTempView("test_view")
      2)打印test_view的schema信息
        -- id为integer类型,name对应到Spark SQL内部字段数据类型即位NullType
        root
        |-- id: integer (nullable = false)
        |-- name: null (nullable = true)
        3)将test_tab中数据存入Hive分区表test_partition_tab的分区partitionCol=20201009中
          df.write.mode(SaveMode.Overwrite).format("parquet").save("/bigdatalearnshare/test_partition_tab/partitionCol=20201009")

          4)报错信息

          2. 问题分析

          根据报错信息,提示Parquet数据源不支持null type类型的数据。既然是保存数据,我们很容易联想到FileFormatWriter,再结合错误信息:

            org.apache.spark.sql.execution.datasources.FileFormatWriter$.write(FileFormatWriter.scala:100

            对应的源码为:

              DataSourceUtils.verifyWriteSchema(fileFormat, dataSchema)
              debug进去,看看这个方法究竟干了什么?
              根据源码分析可知,上述程序中SparkSQL在保存数据时会对数据的schema进行校验,并且不同的存储格式(parquet、csv、json等)支持的数据类型会有所不同,以parquet为例,查看源码:
              3. 解决方案
                -- 使用insert sql进行数据的保存
                insert overwrite table test_partition_tab partition(partitionCol=20201009) select * from test_view;


                >> 问题2
                1. 问题现象

                在利用Spark和Kafka处理数据时,同时在maven pom中引入Spark和Kafka的相关依赖。但是当利用SparkSQL处理数据生成的DataSet/DataFrame进行collect或者show等操作时,抛出以下异常信息:

                  in stage 3.0 (TID 403, localhost, executor driver): java.lang.NoSuchMethodError: net.jpountz.lz4.LZ4BlockInputStream.<init>(Ljava/io/InputStream;Z)V
                  at org.apache.spark.io.LZ4CompressionCodec.compressedInputStream(CompressionCodec.scala:122)
                  at org.apache.spark.serializer.SerializerManager.wrapForCompression(SerializerManager.scala:163)
                  at org.apache.spark.serializer.SerializerManager.wrapStream(SerializerManager.scala:124)
                  at org.apache.spark.shuffle.BlockStoreShuffleReader$$anonfun$3.apply(BlockStoreShuffleReader.scala:50)
                  at org.apache.spark.shuffle.BlockStoreShuffleReader$$anonfun$3.apply(BlockStoreShuffleReader.scala:50)
                  at org.apache.spark.storage.ShuffleBlockFetcherIterator.next(ShuffleBlockFetcherIterator.scala:453)
                  at org.apache.spark.storage.ShuffleBlockFetcherIterator.next(ShuffleBlockFetcherIterator.scala:64)
                  at scala.collection.Iterator$$anon$12.nextCur(Iterator.scala:434)
                  at scala.collection.Iterator$$anon$12.hasNext(Iterator.scala:440)
                  at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:408)
                  at org.apache.spark.util.CompletionIterator.hasNext(CompletionIterator.scala:31)
                  at org.apache.spark.InterruptibleIterator.hasNext(InterruptibleIterator.scala:37)
                  at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:408)
                  at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIteratorForCodegenStage2.agg_doAggregateWithKeys_0$(Unknown Source)
                  at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIteratorForCodegenStage2.processNext(Unknown Source)
                  at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
                  at org.apache.spark.sql.execution.WholeStageCodegenExec$$anonfun$13$$anon$1.hasNext(WholeStageCodegenExec.scala:636)
                  at org.apache.spark.sql.execution.SparkPlan$$anonfun$2.apply(SparkPlan.scala:255)
                  2. 问题分析
                  错误信息提示找不到方法:
                    net.jpountz.lz4.LZ4BlockInputStream.<init>(Ljava/io/InputStream;Z)V

                    根据经验,找不到某个方法,一般主要有两个原因造成:

                    • 没有相应的jar包依赖

                    • jar包依赖冲突
                    经过排查发现导致本问题发生的原因是:Spark内部使用的包net.jpountz.lz4和Kafka中包产生冲突

                    3. 解决方案

                    排除Kafka中net.jpountz.lz4的依赖包:

                      <dependency>
                      <groupId>org.apache.kafka</groupId>
                      <artifactId>kafka-clients</artifactId>
                      <version>0.10.0.0</version>
                      <exclusions>
                      <exclusion>
                      <groupId>net.jpountz.lz4</groupId>
                      <artifactId>lz4</artifactId>
                      </exclusion>
                      </exclusions>
                      </dependency>


                      >> 问题3

                      通过SparkSQL,对两个存在map类型字段的Hive表进行union操作,报如下错误:

                        org.apache.spark.sql.AnalysisException: Cannot have map type columns in DataFrame which calls set operations(intersect, except, etc.), but the type of column map is map<string,string>;
                        1. 场景模拟

                        1)通过函数str_to_map/map生成map类型的字段,然后进行union操作

                          select 1 id, str_to_map("k1:v1,k2:v2") map


                          union


                          select 2 idmap("k1","v1","k2","v2"map

                          2)报错信息

                            org.apache.spark.sql.AnalysisException: Cannot have map type columns in DataFrame which calls set operations(intersect, except, etc.), but the type of column map is map<string,string>;;
                            Distinct
                            +- Union
                            :- Project [1 AS id#116, str_to_map(k1:v1,k2:v2, ,, :) AS map#117]
                            : +- OneRowRelation
                            +- Project [2 AS id#118, map(k1, v1, k2, v2) AS map#119]
                            +- OneRowRelation


                            at org.apache.spark.sql.catalyst.analysis.CheckAnalysis$class.failAnalysis(CheckAnalysis.scala:42)
                            at org.apache.spark.sql.catalyst.analysis.Analyzer.failAnalysis(Analyzer.scala:95)
                            at org.apache.spark.sql.catalyst.analysis.CheckAnalysis$$anonfun$checkAnalysis$1.apply(CheckAnalysis.scala:364)
                            at org.apache.spark.sql.catalyst.analysis.CheckAnalysis$$anonfun$checkAnalysis$1.apply(CheckAnalysis.scala:85)
                            at org.apache.spark.sql.catalyst.trees.TreeNode.foreachUp(TreeNode.scala:127)
                            at org.apache.spark.sql.catalyst.analysis.CheckAnalysis$class.checkAnalysis(CheckAnalysis.scala:85)

                            2. 问题分析

                            根据报错信息,我们查看org.apache.spark.sql.catalyst.analysis.CheckAnalysis的checkAnalysis方法,第362行源码处理逻辑(错误信息是不是很熟悉呢?):

                            关键看mapColumnInSetOperation中对逻辑计划的匹配:

                            针对逻辑计划中有Intersect、Except、Distinct的output"返回"的属性(Attribute)有map类型,或者Deduplicate的keys(也是Attribute)包含map字段类型,都会导致上述问题。

                            而union导致上述报错,是因为union会对结果去重,即distinct

                            3. 解决方案

                            询问后台小伙伴儿,目前的业务场景是考验不需要去重处理的。

                            那么我们都知道,union和union all的主要区别就是,前者会对结果去重,后者则不会。那么将union改为union all就好了。

                            推荐文章:

                            技术问题记录(二)
                            SparkSQL与Hive metastore Parquet转换
                            Spark SQL解析查询parquet格式Hive表获取分区字段和查询条件
                            Spark存储Parquet数据到Hive,对map、array、struct字段类型的处理
                            从统计学到机器学习,必须掌握的5个核心概念

                            关注大数据学习与分享,获取更多技术干货

                            文章转载自大数据学习与分享,如果涉嫌侵权,请发送邮件至:contact@modb.pro进行举报,并提供相关证据,一经查实,墨天轮将立刻删除相关内容。

                            评论