先澄清一个正常现象：你执行hc.sql("create table emp12(name String)")后得到空DataFrameres13，并且res13.printSchema输出root，这完全是正常行为。因为CREATE TABLE是DDL语句，Spark SQL执行DDL操作时不会返回任何结果集，所以返回的DataFrame是空的、没有任何列，打印schema自然只显示root。如果你想查看表的正确结构，应该执行hc.sql("select * from emp12").printSchema，这时候就能看到name string的完整schema了。

接下来重点解释为什么Spark加载的数据无法写入这个表，常见原因有以下几点：

1. 错误使用空DataFrame进行写入 #

如果你尝试用res13.write...来写入数据，那肯定会失败——因为res13本身就是空的，而且没有任何列，和emp12表的schema完全不匹配。正确的做法是先加载你要写入的数据得到有效的DataFrame（比如val df = hc.read.csv("your_data_path")或其他方式生成的DataFrame），确保它的schema和emp12表一致（包含name列且类型为String），再执行写入操作。

2. 写入方式或参数配置错误 #

Spark写入Hive表有几种常见方式，不同方式有不同要求：

• 使用insertInto：要求DataFrame的schema和目标表的schema完全匹配（包括列顺序、数据类型），默认是追加模式。如果你的DataFrame列顺序不对、类型不兼容，就会写入失败。
• 使用saveAsTable：如果目标表已经存在，默认会抛出Table already exists错误，需要指定模式，比如df.write.mode("append").saveAsTable("emp12")或者mode("overwrite")。另外，如果表是Hive管理表，saveAsTable会默认使用表的存储格式，要是你的DataFrame存储格式和表的不兼容，也可能出现写入问题。

3. Spark与Hive元数据不同步 #

虽然Hive里能通过describe emp12看到表，但Spark的Catalog可能没有及时刷新元数据。这种情况下，你可以手动执行刷新：

hc.catalog.refreshTable("emp12")

刷新后再尝试写入，大概率能解决元数据不同步导致的写入问题。

4. 存储路径权限问题 #

Hive管理表的默认存储路径一般是HDFS上的/user/hive/warehouse/emp12，如果Spark运行的用户没有这个路径的写入权限，就会导致写入失败。你可以通过HDFS命令检查权限：

hdfs dfs -ls /user/hive/warehouse/

如果权限不足，需要修改路径权限或者让Spark使用有权限的用户运行。

5. 数据类型不兼容 #

如果你的DataFrame中name列的数据类型和表定义的String不匹配（比如是Int、Double等），写入时会抛出类型转换错误。你可以先检查DataFrame的schema：

df.printSchema()

确认类型一致后再写入，或者通过df.withColumn("name", $"name".cast(StringType))转换类型。

内容的提问来源于stack exchange，提问作者sai