Spark parquet merge metadata问题

479次阅读

共计 1977 个字符，预计需要花费 5 分钟才能阅读完成。

在 spark sql 1.2.x 当中存在一个问题：

当我们尝试在一个查询中访问多个 parquet 文件时，如果这些 parquet 文件中的字段名和类型是完全一致的、只是字段的顺序不一样，例如一个文件中是 name string, id int，另一个文件是 id int, name string 时，查询会报错，抛出 metadata merge 的异常。

在 1.3 当中，这个问题其实已经解决。那么在 1.2.x 中解决的办法是：

在 spark 源码的 sql/core/src/main/scala/org/apache/spark/sql/parquet/ParquetTableOperations.scala 文件中，找到 override def getSplits(configuration: Configuration, footers: JList[Footer]): JList[ParquetInputSplit] 这个方法，在如下这段代码之前：

if (globalMetaData == null) {
val splits = mutable.ArrayBuffer.empty[ParquetInputSplit]
return splits
}

将 val globalMetaData 改成 var globalMetaData

在上面这段代码之后加上如下几行：

val startTime = System.currentTimeMillis();
val metadata = configuration.get(RowWriteSupport.SPARK_ROW_SCHEMA)
val mergedMetadata = globalMetaData.getKeyValueMetaData.updated(RowReadSupport.SPARK_METADATA_KEY, setAsJavaSet(Set(metadata)))
globalMetaData = new GlobalMetaData(globalMetaData.getSchema, mergedMetadata, globalMetaData.getCreatedBy)
val endTime = System.currentTimeMillis();
logInfo(“\n*** updated globalMetadata in ” + (endTime – startTime) + ” ms. ***\n”);

其中第 2 - 4 行是必须的，这三行是从 spark1.3 里面摘出来的。其他三行只是想打个日志，看看这段代码放的执行时间。

然后就是编译源码了：

mvn -PHadoop-2.4 -Dhadoop.version=2.4.0 -Phive -Phive-thriftserver -DskipTests clean package

具体参考 http://spark.apache.org/docs/1.2.1/building-spark.html

我在一台服务器上测试了编译之后的 spark，问题解决了，执行很顺利，性能没有任何影响。读取 600 个 parquet 文件，加上的几行代码只用了 1ms 左右。

————————————– 分割线 ————————————–

Spark1.0.0 部署指南 http://www.linuxidc.com/Linux/2014-07/104304.htm

CentOS 6.2(64 位) 下安装 Spark0.8.0 详细记录 http://www.linuxidc.com/Linux/2014-06/102583.htm

Spark 简介及其在 Ubuntu 下的安装使用 http://www.linuxidc.com/Linux/2013-08/88606.htm

安装 Spark 集群 (在 CentOS 上) http://www.linuxidc.com/Linux/2013-08/88599.htm

Hadoop vs Spark 性能对比 http://www.linuxidc.com/Linux/2013-08/88597.htm

Spark 安装与学习 http://www.linuxidc.com/Linux/2013-08/88596.htm