Spark：保存按 "virtual" 列分区的 DataFrame

Question

我正在使用 PySpark 执行经典的 ETL 作业（加载数据集、处理它、保存它）并希望将我的 Dataframe 保存为由 "virtual" 列分区的 files/directory； "virtual" 的意思是我有一个时间戳列，它是一个包含 ISO 8601 编码日期的字符串，我想按年/月/日进行分区；但我实际上在 DataFrame 中没有年、月或日列；我有这个时间戳，虽然我可以从中导出这些列，但我不希望我的结果项目序列化这些列之一。

将 DataFrame 保存到磁盘后的文件结构应如下所示：

/ 
    year=2016/
        month=01/
            day=01/
                part-****.gz

有没有办法用 Spark / Pyspark 做我想做的事？

Answer 1

用于分区的列不包含在序列化数据本身中。例如，如果您像这样创建 DataFrame：

df = sc.parallelize([
    (1, "foo", 2.0, "2016-02-16"),
    (2, "bar", 3.0, "2016-02-16")
]).toDF(["id", "x", "y", "date"])

写成如下：

import tempfile
from pyspark.sql.functions import col, dayofmonth, month, year
outdir = tempfile.mktemp()

dt = col("date").cast("date")
fname = [(year, "year"), (month, "month"), (dayofmonth, "day")]
exprs = [col("*")] + [f(dt).alias(name) for f, name in fname]

(df
    .select(*exprs)
    .write
    .partitionBy(*(name for _, name in fname))
    .format("json")
    .save(outdir))

单个文件将不包含分区列：

import os

(sqlContext.read
    .json(os.path.join(outdir, "year=2016/month=2/day=16/"))
    .printSchema())

## root
##  |-- date: string (nullable = true)
##  |-- id: long (nullable = true)
##  |-- x: string (nullable = true)
##  |-- y: double (nullable = true)

分区数据仅存储在目录结构中，不会复制到序列化文件中。只有当您阅读完整或部分目录树时才会附加它：

sqlContext.read.json(outdir).printSchema()

## root
##  |-- date: string (nullable = true)
##  |-- id: long (nullable = true)
##  |-- x: string (nullable = true)
##  |-- y: double (nullable = true)
##  |-- year: integer (nullable = true)
##  |-- month: integer (nullable = true)
##  |-- day: integer (nullable = true)

sqlContext.read.json(os.path.join(outdir, "year=2016/month=2/")).printSchema()

## root
##  |-- date: string (nullable = true)
##  |-- id: long (nullable = true)
##  |-- x: string (nullable = true)
##  |-- y: double (nullable = true)
##  |-- day: integer (nullable = true)

Spark：保存按 "virtual" 列分区的 DataFrame

Spark: save DataFrame partitioned by "virtual" column

partitioning

dataframe

apache-spark

apache-spark-sql

pyspark