关于sparksql操作hive，读取本地csv文件并以parquet的形式装入hive中

说明：spark版本：2.2.0

　　　 hive版本：1.2.1

需求：有本地csv格式的一个文件，格式为${当天日期}visit.txt,例如20180707visit.txt，现在需要将其通过spark-sql程序实现将该文件读取并以parquet的格式通过外部表的形式保存到hive中，最终要实现通过传参的形式，将该日期区间内的csv文件批量加载进去，方式有两种：

　　1、之传入一个参数，说明只加载一天的数据进去

　　2、传入两个参数，批量加载这两个日期区间的每一天的数据

　　最终打成jar包，进行运行

步骤如下：

　　1、初始化配置，先创建sparkSession(spark2.0版本开始将sqlContext、hiveContext同意整合为sparkSession)

//初始化配置
  val spark = new sql.SparkSession
 　 .Builder()
    .enableHiveSupport()　　//操作hive这一步千万不能少
    .appName("project_1")
    .master("local[2]")
    .getOrCreate()

　　2、先将文件读进来，并转换为DF　

val data = spark.read.option("inferSchema", "true").option("header", "false") //这里设置是否处理头信息，false代表不处理，也就是说文件的第一行也会被加载进来，如果设置为true，那么加载进来的数据中不包含第一行，第一行被当作了头信息，也就是表中的字段名处理了
        .csv(s"file:///home/spark/file/project/${i}visit.txt")　　//这里设置读取的文件，${i}是我引用的一个变量，如果要在双引号之间引用变量的话，括号前面的那个s不能少
        .toDF("mac", "phone_brand", "enter_time", "first_time", "last_time", "region", "screen", "stay_time") //将读进来的数据转换为DF，并为每个字段设置字段名

　　3、将转换后的DF注册为一张临时表

data.createTempView(s"table_${i}")

　　4、通过spark-sql创建hive外部表，这里有坑

spark.sql(
        s"""
           |create external table if not exists ${i}visit
           |(mac string, phone_brand string, enter_time timestamp, first_time timestamp, last_time timestamp,
           |region string, screen string, stay_time int) stored as parquet
           |location 'hdfs://master:9000/project_dest/${i}'
         """.stripMargin)

　　这里的见表语句需要特别注意，如果写成如下的方式是错误的：

spark.sql(
        s"""
           |create external table if not exists ${i}visit
           |(mac string, phone_brand string, enter_time timestamp, first_time timestamp, last_time timestamp,
           |region string, screen string, stay_time int) row format delimited fields terminated by '\t' stored as parquet
           |location /project_dest/${i}'
         """.stripMargin)

　　　　（1）对于row format delimited fields terminated by '\t'这语句支支持存储文件格式为textFile,对于parquet文件格式不支持

　　　　（2）对于location这里，一定要写hdfs的全路径，如果向上面这样写，系统不认识，切记

　　5、通过spark-sql执行insert语句，将数据插入到hive表中

spark.sql(s"insert overwrite table ${i}visit select * from table_${i}".stripMargin)

　　至此，即完成了将本地数据以parquet的形式加载至hive表中了，接下来既可以到hive表中进行查看数据是否成功载入

贴一下完整代码：

package spark._sql.project_1
import org.apache.spark.sql
/**
  * Author Mr. Guo
  * Create 2018/9/2 - 19:01
  */
object Conn_hive {
  //初始化配置
  val spark = new sql.SparkSession
  .Builder()
    .enableHiveSupport()
    .appName("project_1")
    .master("local[2]")
    .getOrCreate()

  def main(args: Array[String]): Unit = {

    //设置日志的级别
    spark.sparkContext.setLogLevel("WARN")

    //************************************************************************************
    var arg_1 = 1
    var arg_2 = 1
    if (args.length == 1) {
      arg_1 = args(0).toInt
      arg_2 = args(0).toInt
    } else if (args.length == 2) {
      arg_1 = args(0).toInt
      arg_2 = args(1).toInt
    } else {
      System.err.println("Usage:<start_time> or <start_time> <end_time>")
      System.exit(1)
    }
    for (i <- arg_1 to arg_2) {
      println(s"*******data_${i}********")
      val data = spark.read.option("inferSchema", "true").option("header", "false")
        .csv(s"file:///home/spark/file/project/${i}visit.txt")
        .toDF("mac", "phone_brand", "enter_time", "first_time", "last_time", "region", "screen", "stay_time")
      data.createTempView(s"table_${i}")
      spark.sql("use project_1".stripMargin)
      spark.sql(
        s"""
           |create external table if not exists ${i}visit
           |(mac string, phone_brand string, enter_time timestamp, first_time timestamp, last_time timestamp,
           |region string, screen string, stay_time int) stored as parquet
           |location 'hdfs://master:9000/project_dest/${i}'
         """.stripMargin)
      spark
        .sql(s"insert overwrite table ${i}visit select * from table_${i}".stripMargin)
    }
    spark.stop()
  }
}

　　　　6、打成jar包（我的IDEA版本是2017.3版本）

　　如果没有上面这一栏，点击View，然后勾选Toolbar即可

点击ok

此时这里会成成这么一个文件，是编译之后的class文件

到这个目录下会找到这么一个jar包

找到该文件夹，上传到服务器，cd到该目录下运行命令：

spark-submit  --class spark._sql.project_1.Conn_hive --master spark:hadoop1:7077 --executor-memory 2g --num-executors 3  /spark_maven_project.jar 20180901 20180910

关于sparksql操作hive，读取本地csv文件并以parquet的形式装入hive中

猜你喜欢