sparksql读取parquet格式hive表的配置

使用sparksql访问几个hive表join的情况时结果为空，且这个sql在hive里执行是成功的。

    val sparkSession = SparkSession
      .builder()
      .config("jars","lib/*")
      .appName("Spark Hive Example")
      .enableHiveSupport()
      .getOrCreate()
    sparkSession.sql("select t1.c2,count(*) from t1 join t2 on (t1.c1=t2.c1) group by t1.c2").collect().map(r => mergeToOracle(r))

查看了t1,t2表的结构

• t1是json格式，MR任务生成
• t2是parquet格式，sqoop导出

单独查询两个表的结果

sparkSession.sql("select * from t1 limit 10").collect().map(r => println(r)) //正常显示
sparkSession.sql("select * from t2 limit 10").collect().map(r => println(r)) //有结果，全部为null

因此可以判断是读parquet的结果出错，因此导致两个表join也没有结果。如果直接按文件读取parquet文件，使用临时表查询呢，结果正常显示，且与其他表join也是正常。

sparkSession.read.parquet("/path of the hive table/").createOrReplaceTempView("temp_a")
val rs = sparkSession.sql("select * from temp_a")
rs.printSchema()
rs.show()

线上环境刚好还有另外一套sparksql运行的beta环境，将sql拿去执行是没有问题的，因此比较了当前执行环境和该beta环境的配制，发现其中有一个区别是spark.sql.hive.convertMetastoreParquet配置为false。

sparkSession.sqlContext.setConf("spark.sql.hive.convertMetastoreParquet","false")

加上这句之后数据正常了，这个配制有什么用，看字面也能理解了。

spark.sql.hive.convertMetastoreParquet default is true.When set to false, Spark
SQL will use the Hive SerDe for parquet tables instead of the built in support.

当向Hive metastore中读写Parquet表时，Spark SQL将使用Spark SQL自带的Parquet SerDe（SerDe：Serialize/Deserilize的简称,目的是用于序列化和反序列化），而不是用Hive的SerDe，Spark SQL自带的SerDe拥有更好的性能。这个优化的配置参数为spark.sql.hive.convertMetastoreParquet，默认值为开启。