![](/img/trans.png)
[英]Athena query error HIVE_BAD_DATA: Not valid Parquet file . csv / .metadata
[英]Excluded folder in glue crawler throws HIVE_BAD_DATA error in Athena
我正在尝试创建一个胶水爬虫来爬取特定的路径模式。 我有以下路径:
bucket/inference/2022/04/28/modelling/metadata.tar.gz
bucket/inference/2022/04/28/prediction/predictions.parquet
bucket/inference/2022/04/28/extract/data.parquet
每天重复相同的模式,即我们有上面的
bucket/inference/2022/04/29/*
bucket/inference/2022/04/30/*
我只想每天抓取**/predictions
文件夹中的内容。 我已经设置了一个指向bucket/inference/
的胶水爬虫,并且具有以下排除模式:
**/modelling/**
**/extract/**
日志正确显示bucket/inference/2022/04/28/modelling/metadata.tar.gz
和bucket/inference/2022/04/28/extract/data.parquet
文件被排除在外,DDL 元数据显示它在数据中选择了正确数量的对象和行。
但是,当我在 Athena 中将 go 转为SELECT *
时,出现以下错误:
HIVE_BAD_DATA: Not valid Parquet file: s3://bucket/inference/2022/04/28/modelling/metadata.tar.gz expected magic number: PAR1
我已经尝试了上述排除模式的每个组合,但它似乎总是在提取建模文件夹中的内容,尽管日志明确排除了它。 我在这里错过了什么吗?
非常感谢。
这是 Athena 的一个已知问题。 来自 AWS 故障排除文档:
Athena 无法识别您指定 AWS Glue 爬网程序的排除模式。 例如,如果您有一个包含 .csv 和 .json 文件的 Amazon S3 存储桶,并且您从爬网程序中排除了 .json 文件,Athena 会查询这两组文件。 为避免这种情况,请将要排除的文件放在其他位置。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.