我正在尝试创建AWS Glue ETL作业,将存储在S3中的拼花文件中的数据加载到Redshift表中。拼花文件是使用带有“简单”文件模式选项的熊猫写入S3中的多个文件夹的。布局如下所示:
s3://bucket/parquet\u table/01/file\u 1。拼花地板
s3://bucket/parquet\u table/01/file\u 2。拼花地板
S3://桶/parquet_table/01/file_3.parquet
s3://bucket/parquet\u table/01/file\u 1。拼花地板
S3://桶/parquet_table/02/file_2.parquet
s3://bucket/parquet\u table/02/file\u 3。拼花地板
我可以使用AWS Glue Crawler在AWS Glue目录中创建一个表,并且可以从Athena查询该表,但当我尝试创建将同一个表复制到Redshift的ETL作业时,它不起作用。
如果我对单个文件进行爬网,或者对一个文件夹中的多个文件进行爬网,那么只要涉及多个文件夹,就会出现上述错误
AnalysisException:u'无法推断拼花地板的模式。必须手动指定。;'
如果使用“hive”而不是“simple”模式,则会出现类似问题。然后,我们有多个文件夹和空拼花文件
<代码>java。io。IOException:无法读取页脚:java。lang.RuntimeException:xxx不是拼花地板文件(太小)
在使用AWS Glue(ETL和数据目录)时,是否有关于如何读取拼花文件并在S3中构造它们的建议?
您面临的错误是,当从spark/glue读取s3中的拼花文件时,它希望数据位于配置单元分区中,即分区名称应该具有键值对,您将在配置单元样式分区中具有s3层次结构,如下所示
S3://你的桶/parquet_table/id=1/file1.parquet
s3://your bucket/parquet\u table/id=2/file2。拼花地板
等等...
然后使用下面的路径读取bucket中的所有文件
位置:s3://your bucket/parquet\u table
如果s3中的数据按上述方式分区,您将不会面临任何问题。
Redshift不支持拼花格式。红移光谱确实如此。雅典娜还支持拼花地板格式。
我正在运行EMR笔记本中的所有代码。 火花版本 temp_df.print模式 温度df。显示(2) 温度df。写拼花地板(path='s3://project7878/clean\u data/temperatures.parquet',mode='overwrite',partitionBy='year') 火花阅读拼花地板(path='s3://project7878/clean\u dat
我将spark java代码实现为,数据集输入=spark。读取()。拼花地板(configuration.getInputDataLocation()); 但是inputDataLocation(Azure存储帐户容器中的文件夹)可能没有任何数据,并且在这种情况下引发异常,用户类引发异常:org。阿帕奇。火花sql。AnalysisException:无法推断拼花地板的架构。必须手动指定。 有没
这与上面文章中给出的答案不同 我收到一个错误,显示 当我尝试使用Spark 2.1.0读取拼花地板文件时 我已经检查过了,通过Hue WebPortal查看impala表,文件/表不是空的。另外,我存储在类似目录中的其他文件读起来也非常好。对于记录,文件名包含连字符,但没有下划线或句号/句点。 因此,在加载拼花地板文件时,以下帖子中的答案都无法推断模式 有什么想法吗?
我正在由Glue Crawler生成的CSV可数据上运行Glue ETL作业。爬虫点击具有以下结构的目录 这些文件被聚合到一个“聚合输出”表中,该表可以在athena中成功查询。 我正在尝试使用AWS Glue ETL作业将其转换为拼花地板文件。作业失败 我很难找到根本原因 我尝试了多种方式修改Glue作业。我确保分配给该作业的IAM角色有权删除相关存储桶上的文件夹。现在我正在使用AWS提供的默认
使用scala或pyspark读取hadoop中存储的拼花地板文件时,出现错误: 或 导致相同的错误。 错误消息非常清楚必须做什么:无法推断拼花的模式。必须手动指定。;。但是我在哪里可以指定它呢? Spark 2.1.1、Hadoop 2.5、数据帧是在pyspark的帮助下创建的。文件被划分为10个peace。
由于,我检查了一个spark作业的输出拼花文件,该作业总是会发出声音。我在Cloudera 5.13.1上使用了 我注意到拼花地板排的大小是不均匀的。第一排和最后一排的人很多。剩下的真的很小。。。 拼花地板工具的缩短输出,: 这是已知的臭虫吗?如何在Spark中设置拼花地板块大小(行组大小)? 编辑: Spark应用程序的作用是:它读取一个大的AVRO文件,然后通过两个分区键(使用