Spark parquet merge metadata问题

在spark sql 1.2.x当中存在一个问题：

当我们尝试在一个查询中访问多个parquet文件时，如果这些parquet文件中的字段名和类型是完全一致的、只是字段的顺序不一样，例如一个文件中是name string, id int，另一个文件是id int, name string时，查询会报错，抛出metadata merge的异常。

在1.3当中，这个问题其实已经解决。那么在1.2.x中解决的办法是：

在spark源码的sql/core/src/main/scala/org/apache/spark/sql/parquet/ParquetTableOperations.scala文件中，找到override def getSplits(configuration: Configuration, footers: JList[Footer]): JList[ParquetInputSplit]这个方法，在如下这段代码之前：

if (globalMetaData == null) {
    val splits = mutable.ArrayBuffer.empty[ParquetInputSplit]
    return splits
    }

将val globalMetaData改成 var globalMetaData

在上面这段代码之后加上如下几行：

val startTime = System.currentTimeMillis();
val metadata = configuration.get(RowWriteSupport.SPARK_ROW_SCHEMA)
val mergedMetadata = globalMetaData.getKeyValueMetaData.updated(RowReadSupport.SPARK_METADATA_KEY, setAsJavaSet(Set(metadata)))
globalMetaData = new GlobalMetaData(globalMetaData.getSchema, mergedMetadata, globalMetaData.getCreatedBy)
val endTime = System.currentTimeMillis();
logInfo("\n*** updated globalMetadata in " + (endTime - startTime) + " ms. ***\n");

其中第2-4行是必须的，这三行是从spark1.3里面摘出来的。其他三行只是想打个日志，看看这段代码放的执行时间。

然后就是编译源码了：

mvn -PHadoop-2.4 -Dhadoop.version=2.4.0 -Phive -Phive-thriftserver -DskipTests clean package

具体参考

我在一台服务器上测试了编译之后的spark，问题解决了，执行很顺利，性能没有任何影响。读取600个parquet文件，加上的几行代码只用了1ms左右。

--------------------------------------分割线 --------------------------------------

Spark1.0.0部署指南

CentOS 6.2(64位)下安装Spark0.8.0详细记录

Spark简介及其在Ubuntu下的安装使用

安装Spark集群(在CentOS上)

Hadoop vs Spark性能对比

Spark安装与学习

Spark 并行计算模型

--------------------------------------分割线 --------------------------------------

Spark 的详细介绍：请点这里
Spark 的下载地址：请点这里