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 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"#定义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。