自动分区推断
表分区是一种常见的优化方式,比如Hive中就提供了表分区的特性。在一个分区表中,不同分区的数据通常存储在不同的目录中,分区列的值通常就包含在了分区目录的目录名中。Spark SQL中的Parquet数据源,支持自动根据目录名推断出分区信息。例如,如果将人口数据存储在分区表中,并且使用性别和国家作为分区列。那么目录结构可能如下所示:
tableName
|- gender=male
|- country=US
...
...
...
|- country=CN
...
|- gender=female
|- country=US
...
|- country=CH
...
如果将/tableName传入SQLContext.read.parquet()或者SQLContext.read.load()方法,那么Spark SQL就会自动根据目录结构,推断出分区信息,是gender和country。即使数据文件中只包含了两列值,name和age,但是Spark SQL返回的DataFrame,调用printSchema()方法时,会打印出四个列的值:name,age,country,gender。这就是自动分区推断的功能。
此外,分区列的数据类型,也是自动被推断出来的。目前,Spark SQL仅支持自动推断出数字类型和字符串类型。有时,用户也许不希望Spark SQL自动推断分区列的数据类型。此时只要设置一个配置即可, spark.sql.sources.partitionColumnTypeInference.enabled,默认为true,即自动推断分区列的类型,设置为false,即不会自动推断类型。禁止自动推断分区列的类型时,所有分区列的类型,就统一默认都是String。
案例:自动推断用户数据的性别和国家
Java版本
public class ParquetPartitionDiscovery {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName("ParquetPartitionDiscoveryJava").setMaster("local");
SparkContext sparkContext = new SparkContext(conf);
SQLContext sqlContext = new SQLContext(sparkContext);
DataFrame df = sqlContext.read().parquet("E:\\testdata\\sparksql\\users\\gender=male\\country=US\\users.parquet");
df.schema();
df.show();
df = sqlContext.read().load("E:\\testdata\\sparksql\\users\\gender=male\\country=US\\users.parquet");
df.schema();
df.show();
}
}
Scala版本
object ParquetPartitionDiscovery {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("ParquetPartitionDiscoveryScala")
val sparkContext = new SparkContext(conf)
val sqlContext = new SQLContext(sparkContext)
val df = sqlContext.read.parquet("E:\\testdata\\sparksql\\users\\gender=male\\country=US\\users.parquet")
df.schema
df.show
val df1 = sqlContext.read.load("E:\\testdata\\sparksql\\users\\gender=male\\country=US\\users.parquet")
df1.schema
df1.show()
}
}