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