来自 SQL 查询的 Spark Dataframe

Question

我正在尝试使用 Apache Spark 将具有多个联接和子选择的（大型）SQL 查询的结果加载到 Spark 的 DataFrame 中，如从SQL 查询创建 Spark Dataframe中所述。

不幸的是，我尝试这样做会导致 Parquet 出现错误：

线程“main”org.apache.spark.sql.AnalysisException 中出现异常：无法推断 Parquet 的架构。必须手动指定。

我从谷歌看到的信息暗示当 DataFrame 为空时会发生此错误。但是，查询结果会在 DBeaver 中加载大量行。

这是一个示例查询：

(SELECT REPORT_DATE, JOB_CODE, DEPT_NBR, QTY
    FROM DBO.TEMP 
    WHERE  BUSINESS_DATE = '2019-06-18' 
    AND   STORE_NBR IN (999) 
    ORDER BY BUSINESS_DATE) as reports

我的 Spark 代码如下所示。

val reportsDataFrame = spark
  .read
  .option("url", db2JdbcUrl)
  .option("dbtable", queries.reports)
  .load()

scheduledHoursDf.show(10)

我在之前的答案中读到，可以使用此方法对整个数据库运行查询。特别是，如果您在第一次在 Spark 中构建 DataFrame 时将“dbtable”参数指定为别名查询。您可以看到我已经在查询中通过将整个查询指定为“as reports”别名来完成此操作。

我不认为这是一个重复的问题。我已经广泛研究了这个具体问题，但没有发现有人在网上面临同样的问题。特别是，运行查询导致的 Parquet 错误。

似乎一致认为不应该以这种方式运行 SQL 查询，而应该使用 Spark 的 DataFrames 的许多方法来过滤、分组和聚合数据。然而，如果能够使用原始 SQL，即使会带来性能损失，对我们来说也是非常有价值的。

Answer 1

快速查看你的代码告诉我你失踪了.format("jdbc")

val reportsDataFrame = spark
  .read
  .format("jdbc")
  .option("url", db2JdbcUrl)
  .option("dbtable", queries.reports)
  .load()

如果您设置了连接数据库的用户名和密码，这应该可以工作。

了解更多有关 Spark 中 JDBC 源的好资源（https://spark.apache.org/docs/latest/sql-data-sources-jdbc.html）