![](/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
我正在嘗試創建一個膠水爬蟲來爬取特定的路徑模式。 我有以下路徑:
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
每天重復相同的模式,即我們有上面的
bucket/inference/2022/04/29/*
bucket/inference/2022/04/30/*
我只想每天抓取**/predictions
文件夾中的內容。 我已經設置了一個指向bucket/inference/
的膠水爬蟲,並且具有以下排除模式:
**/modelling/**
**/extract/**
日志正確顯示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 元數據顯示它在數據中選擇了正確數量的對象和行。
但是,當我在 Athena 中將 go 轉為SELECT *
時,出現以下錯誤:
HIVE_BAD_DATA: Not valid Parquet file: s3://bucket/inference/2022/04/28/modelling/metadata.tar.gz expected magic number: PAR1
我已經嘗試了上述排除模式的每個組合,但它似乎總是在提取建模文件夾中的內容,盡管日志明確排除了它。 我在這里錯過了什么嗎?
非常感謝。
這是 Athena 的一個已知問題。 來自 AWS 故障排除文檔:
Athena 無法識別您指定 AWS Glue 爬網程序的排除模式。 例如,如果您有一個包含 .csv 和 .json 文件的 Amazon S3 存儲桶,並且您從爬網程序中排除了 .json 文件,Athena 會查詢這兩組文件。 為避免這種情況,請將要排除的文件放在其他位置。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.