SparkSQL 学习笔记----自动分区推断

1、表分区

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目录中，分区列的值通常就包含在了分区目录的目录名中。
SparkSQL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
			...

2、自动分区推断的功能描述

如果将/tableName传入SQLContext.read.parquet()或者SQLContext.read.load()方法，那么SparkSQL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。

• 设置是否自动推断分区列的类型
  此外，分区列的数据类型，也是自动被推断出来的。目前SparkSQL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。此时只需要增加一个配置即可， 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

3、案例：自动推断用户数据的性别和国家

1）在hdfs上创建分区目录

2）加载Parquet格式数据

3) 运行结果

本文为北风网Spark2.0培训视频的学习笔记
视频链接：
https://www.bilibili.com/video/av19995678/?p=108