在python中使用pyspark讀寫Hive數據操作

1、讀Hive表數據

pyspark讀取hive數據非常簡單，因為它有專門的接口來讀取，完全不需要像hbase那樣，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語句從hive里面查詢需要的數據，代碼如下：

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 ) # 生成查詢的SQL語句，這個跟hive的查詢語句一樣，所以也可以加where等條件語句hive_database = 'database1'hive_table = 'test'hive_read = 'select * from {}.{}'.format(hive_database, hive_table) # 通過SQL語句在hive中查詢的數據直接是dataframe的形式read_df = hive_context.sql(hive_read)

2 、將數據寫入hive表

pyspark寫hive表有兩種方式：

（1）通過SQL語句生成表

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是默認數據庫的名字，write_test 是要寫到default中數據表的名字df.registerTempTable(’test_hive’)sqlContext.sql('create table default.write_test select * from test_hive')

（2）saveastable的方式

# method two # 'overwrite'是重寫表的模式，如果表存在，就覆蓋掉原始數據，如果不存在就重新生成一張表# mode('append')是在原有表的基礎上進行添加數據df.write.format('hive').mode('overwrite').saveAsTable(’default.write_test’)

tips：

spark用上面幾種方式讀寫hive時，需要在提交任務時加上相應的配置,不然會報錯：

spark-submit --conf spark.sql.catalogImplementation=hive test.py

補充知識：PySpark基于SHC框架讀取HBase數據并轉成DataFrame

一、首先需要將HBase目錄lib下的jar包以及SHC的jar包復制到所有節點的Spark目錄lib下

二、修改spark-defaults.conf 在spark.driver.extraClassPath和spark.executor.extraClassPath把上述jar包所在路徑加進去

三、重啟集群

四、代碼

#/usr/bin/python#-*- coding:utf-8 ?*- from pyspark import SparkContextfrom pyspark.sql import SQLContext,HiveContext,SparkSessionfrom pyspark.sql.types import Row,StringType,StructField,StringType,IntegerTypefrom pyspark.sql.dataframe import DataFrame sc = SparkContext(appName='pyspark_hbase')sql_sc = SQLContext(sc) dep = 'org.apache.spark.sql.execution.datasources.hbase'#定義schemacatalog = '''{ '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、解釋

數據來源參考請本人之前的文章，在此不做贅述

schema定義參考如圖：

六、結果

以上這篇在python中使用pyspark讀寫Hive數據操作就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持好吧啦網。