在Spark上执行多个SQL查询

Question

我在文件test.sql中有一个Spark查询-

CREATE GLOBAL TEMPORARY VIEW VIEW_1 AS select a,b from abc

CREATE GLOBAL TEMPORARY VIEW VIEW_2 AS select a,b from VIEW_1

select * from VIEW_2

现在，我启动我的火花壳，然后试着这样执行-

val sql = scala.io.Source.fromFile("test.sql").mkString
spark.sql(sql).show

如果出现以下错误，这将失败-

org.apache.spark.sql.catalyst.parser.ParseException:
mismatched input '<' expecting {<EOF>, 'GROUP', 'ORDER', 'HAVING', 'LIMIT', 'OR', 'AND', 'WINDOW', 'UNION', 'EXCEPT', 'MINUS', 'INTERSECT', 'SORT', 'CLUSTER', 'DISTRIBUTE'}(line 1, pos 128)

我尝试在不同的spark.sql语句中1比1执行这些查询，并且运行良好。问题是，我有6-7个查询来创建临时视图，最后我需要从我的最后一个视图中输出。是否有一种方法可以在一个spark.sql语句中运行这些SQL。我研究过Postgres (Redshift)，它能够执行这样的查询。在spark sql中，在这种情况下，我需要维护大量的文件。

Answer 1

问题是，mkString将单个字符串中的所有行连接在一起，不能正确地将其解析为有效的SQL查询。

脚本文件中的每一行都应该作为一个单独的查询执行，例如：

scala.io.Source.fromFile("test.sql").getLines()
  .filterNot(_.isEmpty)  // filter out empty lines
  .foreach(query =>
    spark.sql(query).show
  )

更新

如果在多行上拆分查询，则情况会更复杂一些。

我们绝对需要有一个标记查询结束的令牌。让它是分号字符，就像在标准SQL中一样。

首先，我们从源文件中收集所有非空行：

val lines = scala.io.Source.fromFile(sqlFile).getLines().filterNot(_.isEmpty)

然后，我们处理收集的行，如果没有以分号结尾，则将每个新行与前一行连接起来：

val queries = lines.foldLeft(List[String]()) { case(queries, line) =>
  queries match {
    case Nil => List(line) // case for the very first line
    case init :+ last =>
      if (last.endsWith(";")) {
        // if a query ended on a previous line, we simply append the new line to the list of queries
        queries :+ line.trim
      } else {
        // the query is not terminated yet, concatenate the line with the previous one
        val queryWithNextLine = last + " " + line.trim
        init :+ queryWithNextLine
      }
  }
}