HiveContext createDataFrame 在 pySpark (jupyter) 上不起作用

Question

我正在使用 Jupyter 笔记本对 pySpark 进行分析。我的代码最初使用 sqlContext = SQLContext(sc) 构建数据框，但现在我已切换到 HiveContext，因为我将使用窗口函数。

我的问题是现在我在尝试创建数据框时遇到了 Java 错误：

## Create new SQL Context.
from pyspark.sql import SQLContext
from pyspark.sql import DataFrame
from pyspark.sql import Window
from pyspark.sql.types import *
import pyspark.sql.functions as func

sqlContext = HiveContext(sc)

之后，我将数据读入 RDD，并为我的 DF 创建架构。

## After loading the data we define the schema.
fields = [StructField(field_name, StringType(), True) for field_name in data_header]
schema = StructType(fields)

现在，当我尝试构建 DF 时，这是我得到的错误：

## Build the DF.
data_df = sqlContext.createDataFrame(data_tmp, schema)

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
...
/home/scala/spark-1.6.1/python/pyspark/sql/context.pyc in _get_hive_ctx(self)
    690 
    691     def _get_hive_ctx(self):
--> 692         return self._jvm.HiveContext(self._jsc.sc())
    693 
    694     def refreshTable(self, tableName):

TypeError: 'JavaPackage' object is not callable

到目前为止，我一直在谷歌上搜索它，但没有运气。非常感谢任何建议。

Answer 1

HiveContext 需要构建带有 Hive 支持的二进制文件。这意味着您必须启用 Hive 配置文件。由于您使用sbt assembly，您至少需要：

sbt -Phive assembly

使用 Maven 构建时也是如此，例如：

mvn -Phive -DskipTests clean package