Spark SQL——Parquet数据源之自动分区推断

本文介绍了Spark SQL中Parquet数据源的自动分区推断功能,详细阐述了如何通过目录结构推断分区信息,以及如何控制分区列的数据类型推断。当读取分区表时,Spark SQL能够自动识别性别和国家等分区列,并在DataFrame中展示。同时,用户可以通过配置`spark.sql.sources.partitionColumnTypeInference.enabled`来启用或禁用分区列的类型推断。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、 自动分区推断(一)

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

二、 自动分区推断(二)

  • 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,
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值