在Spark DataFrame写入方法中覆盖特定分区

我想覆盖特定的分区，而不是全部覆盖。我正在尝试以下命令：

df.write.orc('maprfs:///hdfs-base-path','overwrite',partitionBy='col4')

其中df是具有要覆盖的增量数据的数据帧。

hdfs-base-path包含主数据。

当我尝试上述命令时，它将删除所有分区，并在hdfs路径中的df中插入这些分区。

我的要求是只覆盖指定hdfs路径中df中存在的那些分区。有人可以帮我吗？

这是一个普遍的问题。Spark最高版本2.0的唯一解决方案是直接写入分区目录，例如，

df.write.mode(SaveMode.Overwrite).save("/root/path/to/data/partition_col=value")

如果您在2.0之前使用Spark，则需要使用以下命令阻止Spark发出元数据文件（因为它们会破坏自动分区发现）：

sc.hadoopConfiguration.set("parquet.enable.summary-metadata", "false")

如果使用1.6.2之前的Spark，则还需要删除其中的_SUCCESS文件，/root/path/to/data/partition_col=value否则它的存在将破坏自动分区发现。（我强烈建议使用1.6.2或更高版本。）

在我的Spark Summit关于Bulletproof Jobs的演讲中，您可以获得有关如何管理大型分区表的更多详细信息。

最后！现在，这是Spark 2.3.0的功能：https : //issues.apache.org/jira/browse/SPARK-20236

要使用它，您需要将spark.sql.sources.partitionOverwriteMode设置设置为dynamic，需要对数据集进行分区，并且写入模式必须被overwrite。例：

spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
data.write.mode("overwrite").insertInto("partitioned_table")

我建议在写入之前根据您的分区列进行重新分区，因此每个文件夹最终不会包含400个文件。

在Spark 2.3.0之前，最好的解决方案是启动SQL语句以删除这些分区，然后使用模式追加将其写入。

spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
data.toDF().write.mode("overwrite").format("parquet").partitionBy("date", "name").save("s3://path/to/somewhere")

这对我适用于AWS Glue ETL作业（Glue 1.0-Spark 2.4-Python 2）

在insertInto语句中添加'overwrite = True'参数可以解决此问题：

hiveContext.setConf("hive.exec.dynamic.partition", "true")
hiveContext.setConf("hive.exec.dynamic.partition.mode", "nonstrict")

df.write.mode("overwrite").insertInto("database_name.partioned_table", overwrite=True)

默认情况下overwrite=False。将其更改为True允许我们覆盖dfpartioned_table中和其中包含的特定分区。这有助于我们避免使用覆盖partioned_table的全部内容df。

使用Spark 1.6 ...

HiveContext可以大大简化此过程。关键是您必须首先使用已CREATE EXTERNAL TABLE定义分区的语句在Hive中创建表。例如：

# Hive SQL
CREATE EXTERNAL TABLE test
(name STRING)
PARTITIONED BY
(age INT)
STORED AS PARQUET
LOCATION 'hdfs:///tmp/tables/test'

从这里，假设您有一个数据框，其中有一个特定分区（或多个分区）的新记录。您可以使用HiveContext SQL语句执行INSERT OVERWRITE此Dataframe的使用，这将仅覆盖Dataframe中包含的分区的表：

# PySpark
hiveContext = HiveContext(sc)
update_dataframe.registerTempTable('update_dataframe')

hiveContext.sql("""INSERT OVERWRITE TABLE test PARTITION (age)
                   SELECT name, age
                   FROM update_dataframe""")

注意：update_dataframe在此示例中，具有与目标test表匹配的架构。

使用此方法容易犯的一个错误是跳过CREATE EXTERNAL TABLEHive中的步骤，仅使用Dataframe API的write方法创建表。特别是对于基于Parquet的表，将无法正确定义该表以支持Hive的INSERT OVERWRITE... PARTITION功能。

希望这可以帮助。

使用Scala在Spark 2.3.1上进行了测试。上面的大多数答案都正在写入Hive表。但是，我想直接写入到disk，该磁盘external hive table位于此文件夹的顶部。

首先需要配置

val sparkSession: SparkSession = SparkSession
      .builder
      .enableHiveSupport()
      .config("spark.sql.sources.partitionOverwriteMode", "dynamic") // Required for overwriting ONLY the required partitioned folders, and not the entire root folder
      .appName("spark_write_to_dynamic_partition_folders")

这里的用法：

DataFrame
.write
.format("<required file format>")
.partitionBy("<partitioned column name>")
.mode(SaveMode.Overwrite) // This is required.
.save(s"<path_to_root_folder>")

我尝试了以下方法来覆盖HIVE表中的特定分区。

### load Data and check records
    raw_df = spark.table("test.original")
    raw_df.count()

lets say this table is partitioned based on column : **c_birth_year** and we would like to update the partition for year less than 1925


### Check data in few partitions.
    sample = raw_df.filter(col("c_birth_year") <= 1925).select("c_customer_sk", "c_preferred_cust_flag")
    print "Number of records: ", sample.count()
    sample.show()


### Back-up the partitions before deletion
    raw_df.filter(col("c_birth_year") <= 1925).write.saveAsTable("test.original_bkp", mode = "overwrite")


### UDF : To delete particular partition.
    def delete_part(table, part):
        qry = "ALTER TABLE " + table + " DROP IF EXISTS PARTITION (c_birth_year = " + str(part) + ")"
        spark.sql(qry)


### Delete partitions
    part_df = raw_df.filter(col("c_birth_year") <= 1925).select("c_birth_year").distinct()
    part_list = part_df.rdd.map(lambda x : x[0]).collect()

    table = "test.original"
    for p in part_list:
        delete_part(table, p)


### Do the required Changes to the columns in partitions
    df = spark.table("test.original_bkp")
    newdf = df.withColumn("c_preferred_cust_flag", lit("Y"))
    newdf.select("c_customer_sk", "c_preferred_cust_flag").show()


### Write the Partitions back to Original table
    newdf.write.insertInto("test.original")


### Verify data in Original table
    orginial.filter(col("c_birth_year") <= 1925).select("c_customer_sk", "c_preferred_cust_flag").show()



Hope it helps.

Regards,

Neeraj

作为jatin Wrote，您可以从配置单元和路径中删除分区，然后追加数据。由于我浪费了太多时间，因此为其他spark用户添加了以下示例。我在Scala 2.2.1中使用了Scala

  import org.apache.hadoop.conf.Configuration
  import org.apache.hadoop.fs.Path
  import org.apache.spark.SparkConf
  import org.apache.spark.sql.{Column, DataFrame, SaveMode, SparkSession}

  case class DataExample(partition1: Int, partition2: String, someTest: String, id: Int)

 object StackOverflowExample extends App {
//Prepare spark & Data
val sparkConf = new SparkConf()
sparkConf.setMaster(s"local[2]")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
val tableName = "my_table"

val partitions1 = List(1, 2)
val partitions2 = List("e1", "e2")
val partitionColumns = List("partition1", "partition2")
val myTablePath = "/tmp/some_example"

val someText = List("text1", "text2")
val ids = (0 until 5).toList

val listData = partitions1.flatMap(p1 => {
  partitions2.flatMap(p2 => {
    someText.flatMap(
      text => {
        ids.map(
          id => DataExample(p1, p2, text, id)
        )
      }
    )
  }
  )
})

val asDataFrame = spark.createDataFrame(listData)

//Delete path function
def deletePath(path: String, recursive: Boolean): Unit = {
  val p = new Path(path)
  val fs = p.getFileSystem(new Configuration())
  fs.delete(p, recursive)
}

def tableOverwrite(df: DataFrame, partitions: List[String], path: String): Unit = {
  if (spark.catalog.tableExists(tableName)) {
    //clean partitions
    val asColumns = partitions.map(c => new Column(c))
    val relevantPartitions = df.select(asColumns: _*).distinct().collect()
    val partitionToRemove = relevantPartitions.map(row => {
      val fields = row.schema.fields
      s"ALTER TABLE ${tableName} DROP IF EXISTS PARTITION " +
        s"${fields.map(field => s"${field.name}='${row.getAs(field.name)}'").mkString("(", ",", ")")} PURGE"
    })

    val cleanFolders = relevantPartitions.map(partition => {
      val fields = partition.schema.fields
      path + fields.map(f => s"${f.name}=${partition.getAs(f.name)}").mkString("/")
    })

    println(s"Going to clean ${partitionToRemove.size} partitions")
    partitionToRemove.foreach(partition => spark.sqlContext.sql(partition))
    cleanFolders.foreach(partition => deletePath(partition, true))
  }
  asDataFrame.write
    .options(Map("path" -> myTablePath))
    .mode(SaveMode.Append)
    .partitionBy(partitionColumns: _*)
    .saveAsTable(tableName)
}

//Now test
tableOverwrite(asDataFrame, partitionColumns, tableName)
spark.sqlContext.sql(s"select * from $tableName").show(1000)
tableOverwrite(asDataFrame, partitionColumns, tableName)

import spark.implicits._

val asLocalSet = spark.sqlContext.sql(s"select * from $tableName").as[DataExample].collect().toSet
if (asLocalSet == listData.toSet) {
  println("Overwrite is working !!!")
}

}

如果使用DataFrame，则可能要对数据使用Hive表。在这种情况下，您只需要调用方法

df.write.mode(SaveMode.Overwrite).partitionBy("partition_col").insertInto(table_name)

它将覆盖DataFrame包含的分区。

无需指定格式（orc），因为Spark将使用Hive表格式。

在Spark版本1.6中工作正常

我建议您创建一个类似于目标表的临时表，然后在其中插入数据，而不是直接写入目标表。

CREATE TABLE tmpTbl LIKE trgtTbl LOCATION '<tmpLocation';

创建表后，您将数据写入到 tmpLocation

df.write.mode("overwrite").partitionBy("p_col").orc(tmpLocation)

然后，您将通过执行以下命令恢复表分区路径：

MSCK REPAIR TABLE tmpTbl;

通过查询Hive元数据来获取分区路径，例如：

SHOW PARTITONS tmpTbl;

从中删除这些分区，trgtTbl并将目录从中tmpTbl移至trgtTbl

您可以执行以下操作使工作可重新进入（幂等）：（在spark 2.2上进行了尝试）

# drop the partition
drop_query = "ALTER TABLE table_name DROP IF EXISTS PARTITION (partition_col='{val}')".format(val=target_partition)
print drop_query
spark.sql(drop_query)

# delete directory
dbutils.fs.rm(<partition_directoy>,recurse=True)

# Load the partition
df.write\
  .partitionBy("partition_col")\
  .saveAsTable(table_name, format = "parquet", mode = "append", path = <path to parquet>)

我建议您进行清理，然后使用Append模式编写新分区：

import scala.sys.process._
def deletePath(path: String): Unit = {
    s"hdfs dfs -rm -r -skipTrash $path".!
}

df.select(partitionColumn).distinct.collect().foreach(p => {
    val partition = p.getAs[String](partitionColumn)
    deletePath(s"$path/$partitionColumn=$partition")
})

df.write.partitionBy(partitionColumn).mode(SaveMode.Append).orc(path)

这将仅删除新分区。写入数据后，如果需要更新元存储，请运行以下命令：

sparkSession.sql(s"MSCK REPAIR TABLE $db.$table")

注意： deletePath假定该hfds命令在您的系统上可用。

对于> = Spark 2.3.0：

spark.conf.set("spark.sql.sources.partitionOverwriteMode","dynamic")
data.write.insertInto("partitioned_table", overwrite=True)