Azure Data Lake 的 Spark 谓词下推、过滤和分区修剪
Spark Predicate Push Down, Filtering and Partition Pruning for Azure Data Lake
我一直在阅读有关 spark 谓词下推和分区修剪的内容，以了解读取的数据量。我有以下与此相关的疑问
假设我有一个包含列的数据集
（年：整数，学校名称：字符串，学号：整数，科目注册：字符串）
其中存储在磁盘上的数据按年份和学校名称分区，并以镶木地板格式存储在 Azure 数据湖存储中。
1) 如果我发出读取 spark.read(container).filter(Year=2019, SchoolName="XYZ"):
- Partition Pruning会不会生效，只读取有限数量的分区？
- Blob 存储上是否会有 I/O，数据将加载到 Spark 集群然后进行过滤，即我是否必须为我们不需要的所有其他数据的 IO 支付 azure 费用？
- 如果不是，那么 Azure blob 文件系统如何理解这些过滤器，因为默认情况下它是不可查询的？
2) 如果我发出读取 spark.read(container).filter(StudentId = 43) ：
- spark 是否会将过滤器推送到磁盘并只读取所需的数据？因为我没有按这个分区，它会理解每一行并根据查询进行过滤吗？
- 我是否必须再次为查询不需要的所有文件支付 IO 到 Azure 的费用？
1) 当您在分区的列上使用过滤器时，Spark 将完全跳过这些文件并且不会花费您任何 IO。如果您查看文件结构，它的存储方式如下：
parquet-folder/Year=2019/SchoolName=XYZ/part1.parquet
parquet-folder/Year=2019/SchoolName=XYZ/part2.parquet
parquet-folder/Year=2019/SchoolName=XYZ/...
2) 当您过滤某些不在您的分区中的列时，Spark 将扫描该镶木地板 table 的每个文件夹中的每个 part 文件。只有当你有下推过滤时，Spark 才会使用每个 part 文件的页脚（存储最小值、最大值和计数统计信息的位置）来确定你的搜索值是否在该范围内。如果是，Spark 将完整读取文件。如果没有，Spark 将跳过整个文件，至少不会花费您完整的阅读时间。
我一直在阅读有关 spark 谓词下推和分区修剪的内容，以了解读取的数据量。我有以下与此相关的疑问
假设我有一个包含列的数据集 （年：整数，学校名称：字符串，学号：整数，科目注册：字符串） 其中存储在磁盘上的数据按年份和学校名称分区，并以镶木地板格式存储在 Azure 数据湖存储中。
1) 如果我发出读取 spark.read(container).filter(Year=2019, SchoolName="XYZ"):
- Partition Pruning会不会生效，只读取有限数量的分区？
- Blob 存储上是否会有 I/O，数据将加载到 Spark 集群然后进行过滤，即我是否必须为我们不需要的所有其他数据的 IO 支付 azure 费用？
- 如果不是，那么 Azure blob 文件系统如何理解这些过滤器，因为默认情况下它是不可查询的？
2) 如果我发出读取 spark.read(container).filter(StudentId = 43) ：
- spark 是否会将过滤器推送到磁盘并只读取所需的数据？因为我没有按这个分区，它会理解每一行并根据查询进行过滤吗？
- 我是否必须再次为查询不需要的所有文件支付 IO 到 Azure 的费用？
1) 当您在分区的列上使用过滤器时，Spark 将完全跳过这些文件并且不会花费您任何 IO。如果您查看文件结构，它的存储方式如下：
parquet-folder/Year=2019/SchoolName=XYZ/part1.parquet
parquet-folder/Year=2019/SchoolName=XYZ/part2.parquet
parquet-folder/Year=2019/SchoolName=XYZ/...
2) 当您过滤某些不在您的分区中的列时，Spark 将扫描该镶木地板 table 的每个文件夹中的每个 part 文件。只有当你有下推过滤时，Spark 才会使用每个 part 文件的页脚（存储最小值、最大值和计数统计信息的位置）来确定你的搜索值是否在该范围内。如果是，Spark 将完整读取文件。如果没有，Spark 将跳过整个文件，至少不会花费您完整的阅读时间。