如何使用来自spark的通配符运行LOAD DATA INPATH配置单元命令

Question

我正在创建一个数据帧，如下所示：

from pyspark.sql import SparkSession, functions as f
from pyspark.sql.types import StructType, StructField, DataType, IntegerType, StringType
schma = StructType([
StructField("id", IntegerType(), True),
StructField("name",StringType(), True),
]
)
empdf=spark.read.format("csv").csv("/home/hdfs/sparkwork/hiveproj/Datasets/empinfo/emp.csv",schema=schma);
empdf.show();

我正在将数据帧保存为镶木地板文件。

empdf.write.parquet(path="/home/hdfs/sparkwork/hiveproj/Data/empinfo/empl_par/")

如果我在LOAD DATA INPATH命令中使用特定的文件名，那么它工作正常

spark.sql("LOAD DATA INPATH '/home/hdfs/sparkwork/hiveproj/Data/empinfo/empl_par/part-00000-6cdfcba5-49ab-499c-8d7f-831c9ec314de-c000.snappy.parquet' INTO TABLE EMPINFO.EMPLOYEE")

但如果我使用通配符而不是文件名(*或*.parquet(，这会给我带来错误

spark.sql("LOAD DATA INPATH '/home/hdfs/sparkwork/hiveproj/Data/empinfo/empl_par/*.parquet' INTO TABLE EMPINFO.EMPLOYEE")

有没有一种方法可以使用spark的hive命令中的通配符来推送文件夹的所有内容？请帮我做同样的事。

Answer 1

代替spark.sql("LOAD DATA INPATH '/home/hdfs/sparkwork/hiveproj/Data/empinfo/empl_par/*.parquet' INTO TABLE EMPINFO.EMPLOYEE")

尝试使用此empdf.write.partitionBy("year","month","day").insertInto("EMPINFO.EMPLOYEE")

注意我使用了分区列作为year、month&day。您可能需要根据您的要求进行更改。