从pyspark对ORC格式的Hive表执行查询时如何避免AssertionError？

Question

我正在从 PySpark 运行一个简单的 Hive 查询，但它会引发错误。该表为 ORC 格式。需要一些帮助。下面是代码

spark = SparkSession.builder.appName("Termination_Calls Snapshot").config("hive.exec.dynamic.partition", "true").config("hive.exec.dynamic.partition.mode", "nonstrict").enableHiveSupport().getOrCreate()
x_df = spark.sql("SELECT count(*) as RC from bi_schema.table_a")

这会引发如下错误

Hive Session ID = a00fe842-7099-4130-ada2-ee4ae75764be 
Traceback (mostrecent call last):   
File "<stdin>", line 1, in <module>   
File "/usr/hdp/current/spark2-client/python/pyspark/sql/session.py", line 716, in sql
return DataFrame(self._jsparkSession.sql(sqlQuery), self._wrapped)   
File "/usr/hdp/current/spark2-client/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py",line 1257, in __call__   
File "/usr/hdp/current/spark2-client/python/pyspark/sql/utils.py", line 63,
in deco return f(*a, **kw)   
File "/usr/hdp/current/spark2-client/python/lib/py4j-0.10.7-src.zip/py4j/protocol.py", line 328, in get_return_value py4j.protocol.Py4JJavaError: An error occurred while calling o70.sql. : java.lang.AssertionError: assertion
failed at scala.Predef$.assert(Predef.scala:156) at org.apache.spark.sql.hive.HiveMetastoreCatalog.convertToLogicalRelation(HiveMetastoreCatalog.scala:214)

当我在 hive 中运行相同的查询时，我得到了预期的结果，如下所示。

+-------------+
|     rc      |
+-------------+
| 3037579538  |
+-------------+
1 row selected (25.469 seconds)

Answer 1

这是 Spark 中的错误，特定于 ORC 格式。

在 sparkContext 配置中设置以下属性将解决问题：

spark.conf.set("spark.sql.hive.convertMetastoreOrc", "false")

如果我们仔细研究HiveMetastoreCatalog 的火花代码，那么看起来像

assert(result.output.length == relation.output.length && result.output.zip(relation.output).forall { case (a1, a2) => a1.dataType == a2.dataType }) 失败了。这意味着它正在检查列数和数据类型。一个原因可能是在 alter table Metastore 之后没有更新，但这不太可能。

然后我想为它创建 JIRA 票证，但事实证明 ORC 格式总是存在一些问题。已经有两张关于这个问题的 JIRA 票：

1. SPARK-28098
2. SPARK-28099

如果我们将spark.sql.hive.convertMetastoreOrc 保留为默认true，那么它将使用矢量化阅读器official doc。由于这个错误，列数不匹配并且断言失败。我怀疑这个属性会导致在使用矢量化阅读器时添加了一些虚拟列。

Answer 2

您可以尝试以下步骤一次吗，因为我认为我们无法直接使用 HiveContext 查询配置单元表

from pyspark.sql import HiveContext
hive_context = HiveContext(sc)
result= hive_context.table("bi_schema.table_a")

并且在以上述方式获取表格后，我们需要将该结果数据帧注册为如下所示的 temptable

result.registerTempTable("table_a")

现在我们可以在该表上查询 select 语句，如下所示

x_df = hive_context.sql("SELECT count(*) as RC fromtable_a")