67、Spark SQL之Parquet数据源之自动分区推断

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()
  }
}