1、读Hive表数据
pyspark读取hive数据非常简单,因为它有专门的接口来读取,完全不需要像hbase那样,需要做很多配置,pyspark提供的操作hive的接口,使得程序可以直接使用SQL语句从hive里面查询需要的数据,代码如下:
- from pyspark.sql import HiveContext,SparkSession
- _SPARK_HOST = "spark://spark-master:7077"
- _APP_NAME = "test"
- spark_session = SparkSession.builder.master(_SPARK_HOST).appName(_APP_NAME).getOrCreate()
- hive_context= HiveContext(spark_session )
- # 生成查询的SQL语句,这个跟hive的查询语句一样,所以也可以加where等条件语句
- hive_database = "database1"
- hive_table = "test"
- hive_read = "select * from {}.{}".format(hive_database, hive_table)
- # 通过SQL语句在hive中查询的数据直接是dataframe的形式
- read_df = hive_context.sql(hive_read)
2 、将数据写入hive表
pyspark写hive表有两种方式:
(1)通过SQL语句生成表
- from pyspark.sql import SparkSession, HiveContext
- _SPARK_HOST = "spark://spark-master:7077"
- _APP_NAME = "test"
- spark = SparkSession.builder.master(_SPARK_HOST).appName(_APP_NAME).getOrCreate()
- data = [
- (1,"3","145"),
- (1,"4","146"),
- (1,"5","25"),
- (1,"6","26"),
- (2,"32","32"),
- (2,"8","134"),
- (2,"8","134"),
- (2,"9","137")
- ]
- df = spark.createDataFrame(data, ['id', "test_id", 'camera_id'])
- # method one,default是默认数据库的名字,write_test 是要写到default中数据表的名字
- df.registerTempTable('test_hive')
- sqlContext.sql("create table default.write_test select * from test_hive")
(2)saveastable的方式
- # method two
- # "overwrite"是重写表的模式,如果表存在,就覆盖掉原始数据,如果不存在就重新生成一张表
- # mode("append")是在原有表的基础上进行添加数据
- df.write.format("hive").mode("overwrite").saveAsTable('default.write_test')
tips:
spark用上面几种方式读写hive时,需要在提交任务时加上相应的配置,不然会报错:
spark-submit --conf spark.sql.catalogImplementation=hive test.py
补充知识:PySpark基于SHC框架读取HBase数据并转成DataFrame
一、首先需要将HBase目录lib下的jar包以及SHC的jar包复制到所有节点的Spark目录lib下
二、修改spark-defaults.conf 在spark.driver.extraClassPath和spark.executor.extraClassPath把上述jar包所在路径加进去
三、重启集群
四、代码
- #/usr/bin/python
- #-*- coding:utf-8 –*-
- from pyspark import SparkContext
- from pyspark.sql import SQLContext,HiveContext,SparkSession
- from pyspark.sql.types import Row,StringType,StructField,StringType,IntegerType
- from pyspark.sql.dataframe import DataFrame
- sc = SparkContext(appName="pyspark_hbase")
- sql_sc = SQLContext(sc)
- dep = "org.apache.spark.sql.execution.datasources.hbase"
- #定义schema
- catalog = """{
- "table":{"namespace":"default", "name":"teacher"},
- "rowkey":"key",
- "columns":{
- "id":{"cf":"rowkey", "col":"key", "type":"string"},
- "name":{"cf":"teacherInfo", "col":"name", "type":"string"},
- "age":{"cf":"teacherInfo", "col":"age", "type":"string"},
- "gender":{"cf":"teacherInfo", "col":"gender","type":"string"},
- "cat":{"cf":"teacherInfo", "col":"cat","type":"string"},
- "tag":{"cf":"teacherInfo", "col":"tag", "type":"string"},
- "level":{"cf":"teacherInfo", "col":"level","type":"string"} }
- }"""
- df = sql_sc.read.options(catalog = catalog).format(dep).load()
- print ('***************************************************************')
- print ('***************************************************************')
- print ('***************************************************************')
- df.show()
- print ('***************************************************************')
- print ('***************************************************************')
- print ('***************************************************************')
- sc.stop()
五、解释
数据来源参考请本人之前的文章,在此不做赘述
schema定义参考如图:
六、结果
以上这篇在python中使用pyspark读写Hive数据操作就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们。
本文标题: 在python中使用pyspark读写Hive数据操作
本文地址: http://www.cppcns.com/jiaoben/python/316974.html