如何在spark中使用transform python udf執行hql腳本？

Question

我是通過 POC 激發和學習的新手。 作為此 POC 的一部分，我正在嘗試直接執行具有 transform 關鍵字的 hql 文件以使用 python udf。

我已經在 CLI "hive -f filename.hql" 中測試了 hql 腳本，它工作正常。 我在 spark-sql 中嘗試過的相同腳本，但由於找不到 hdfs path not found 錯誤而失敗。 我試圖以不同的方式提供 hdfs 路徑，如下所示，但都不起作用

"/test/scripts/test.hql"

"hdfs://test.net:8020/test/scripts/test.hql"

"hdfs:///test.net:8020/test/scripts/test.hql"

還嘗試在配置單元轉換代碼中給出完整路徑，如下所示

USING "scl enable python27 'python hdfs://test.net:8020/user/test/scripts/TestPython.py'" 

蜂巢代碼

add file hdfs://test.net:8020/user/test/scripts/TestPython.py;


select * from 
    (select transform (*)
    USING "scl enable python27 'python TestPython.py'" 
    as (Col_1     STRING,
    col_2        STRING,
    ...
    ..
    col_125 STRING
    )
    FROM
    test.transform_inner_temp1 a) b;

測試Python代碼：

#!/usr/bin/env python
'''
Created on June 2, 2017

@author: test
'''
import sys
from datetime import datetime
import decimal
import string
D = decimal.Decimal
for line in sys.stdin:
    line = sys.stdin.readline()   
    TempList = line.strip().split('\t')
    col_1 = TempList[0]
    ... 
    ....
    col_125 = TempList[34] + TempList[32]
    outList.extend((col_1,....col_125))
    outValue = "\t".join(map(str,outList))
    print "%s"%(outValue)

所以我嘗試了另一種方法，直接在 spark-submit 中執行

spark-submit --master yarn-cluster  hdfs://test.net:8020/user/test/scripts/testspark.py

測試火花.py

from pyspark.sql.types import StringType
from pyspark import SparkConf, SparkContext
from pyspark import SQLContext
conf = SparkConf().setAppName("gveeran pyspark test")
sc = SparkContext(conf=conf)
sqlContext = SQLContext(sc)
with open("hdfs://test.net:8020/user/test/scripts/test.hql") as fr:
   query = fr.read()
results = sqlContext.sql(query)
results.show()

但同樣的問題如下

Traceback (most recent call last):
  File "PySparkTest2.py", line 7, in <module>
    with open("hdfs://test.net:8020/user/test/scripts/test.hql") as fr:
IOError: [Errno 2] No such file or directory: 'hdfs://test.net:8020/user/test/scripts/test.hql'

Answer 1

您可以將文件作為查詢讀取，然后作為spark sql作業執行

例子：-

from pyspark.sql import SparkSession
from pyspark.sql import SQLContext
sc =SparkContext.getOrCreate()
sqlCtx = SQLContext(sc)
with open("/home/hadoop/test/abc.hql") as fr:
    query = fr.read()
    print(query)
    results = sqlCtx.sql(query)