使用 Spark Scala 使用 HiveContext 将数据插入 Hive 表

Question

我能够使用 HiveContext 将数据从我的 spark 代码插入 Hive 表，如下所示

   val sqlContext = new org.apache.spark.sql.hive.HiveContext(sc)
   sqlContext.sql("CREATE TABLE IF NOT EXISTS e360_models.employee(id INT, name STRING, age INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LINES TERMINATED BY '\n'")

   sqlContext.sql("insert into table e360_models.employee select t.* from (select 1210, 'rahul', 55) t")
   sqlContext.sql("insert into table e360_models.employee select t.* from (select 1211, 'sriram pv', 35) t")
   sqlContext.sql("insert into table e360_models.employee select t.* from (select 1212, 'gowri', 59) t")

   val result = sqlContext.sql("FROM e360_models.employee SELECT id, name, age")
   result.show()

但是，这种方法是在仓库中为每个插入创建一个单独的文件，如下所示

part-00000
part-00000_copy_1
part-00000_copy_2
part-00000_copy_3

有什么方法可以避免这种情况，只需将新数据附加到单个文件中，还是有其他更好的方法可以将数据从 spark 插入到 hive 中？

Answer 1

不，没有办法做到这一点。每个新插入都会创建一个新文件。这不是 Spark “问题”，而是您也可以使用 Hive 体验的一般行为。唯一的方法是使用所有数据的 UNION 执行单次插入，但如果您需要执行多次插入，您将拥有多个文件。

您唯一能做的就是在 hive 中启用文件合并（在此处查看：Hive Create Multi small files for each insert in HDFS 和 https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties）。