安装准备(windows)
linux 直接安装pyhive即可 因为windows安装比较麻烦,牵扯到c++的插件之类的。所以建议windows用户不要去尝试pyhive,装上应该也用不了。尝试我用的方式。
- python 3.6.2
- bit_array
- thriftpy
- pure_sasl
- thirft-sasl==0.2.1(注意如果是windows系统一定要用这个版本,并且去除依赖)
注意一定要像我一样来安装pip3 install -i https://pypi.doubanio.com/simple/ --no-deps thrift-sasl==0.2.1
- impyla
- pyspark
执行sql
from impala.dbapi import connect
conn = connect(host='', port=10000, database='',auth_mechanism='PLAIN')
cur = conn.cursor()
cur.execute("show tables")
result = cur.fetchall()
print(result)
读取数据
这里强烈推荐用pandas读取数据为dataframe,因为简单,并且pandas很强大几乎满足你想要运算的大部分操作
sql = "select * from table1"
df = pd.read_sql(sql, conn)
需要注意一点的是,这时候的字段名是带表名的,比如你的表是 table1 字段名是id,这里面读的话会变成able1.id,需要做一些替换。
columns = df.columns
columns_dict = {column:column.split('.')[-1] for column in columns}
df.rename(columns=columns_dict,inplace=True)
安装可能遇到的问题
问题
TypeError: can’t concat str to bytes
解决办法
修改 python site-package中的thrift-sasl包init.py文件,在第94行前加上一个判断:
if (type(body) is str):
body = body.encode()
存写数据
向hive里存数据现在一般分为三种,
第一种是通过hdfs先上传文件到集群,再写进数据表。
第二种是通过scoop命令写入,
第三种跟第一种类似是通过flume监控文件到hdfs上,再写入hive。
但是这两种方式都比较繁琐,虽然可以通过python执行shell脚本实现自动化。但是步骤比较多,如无必要。我们应该规避这种繁琐的步骤,而是单刀直入。
但是我们通过pyhive也好impla也好通过他们写入数据也不现实,毕竟数据集那么大。一是速度慢,而是会产生一堆小文件。
推荐的写入方式
spark自从2.几版本之后就支持了python接口。所以我们可以通过pysaprk写入数据到hive表中,这个也是我比较这三种方法之后觉得是相对简单的一种方法。
配置
from pyspark import SparkContext
from pyspark import SparkConf
from pyspark.sql import SparkSession
conf = SparkConf().setMaster('local[*]').setAppName('pandas_to_hive')
sparksession = SparkSession.builder.config(conf=conf).getOrCreate()
写入
def insert_partition_table(data,dbname,table_name):
df = sparksession.createDataFrame(data)
df.registerTempTable('test_hive')
sparksession.conf.set('hive.exec.dynamic.partition', 'True')
sparksession.conf.set('set hive.exec.dynamic.partition.mode', 'nonstrict')
sparksession.sql('use {}'.format(dbname))
sparksession.sql('insert into {} partition(year,month) select * from test_hive'.format(table_name))
注意
spark2.x 之后就不太建议使用hivecontext,在spark3之后就完全不支持了。这里推荐大家使用sparksession 直接操作。