5.Spark SQL：Parquet数据源之自动分区推断

  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

 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， 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。

案例：自动推断用户数据的性别和国家

java版本：

package cn.spark.study.sql;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.SQLContext;

/**
* Parquet数据源之自动推断分区
* @author leizq120310
*
*/
public class ParquetPartitionDiscovery {

public static void main(String[] args) {
// TODO Auto-generated method stub
SparkConf conf = new SparkConf()
.setAppName("ParquetPartitionDiscovery");

JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
// 读取Parquet文件中的数据，创建一个DataFrame
DataFrame usersDF = sqlContext.read().parquet(
"hdfs://spark1:9000/spark-study/users/gender=male/country=US/users.parquet");
usersDF.printSchema();
usersDF.show();
}
}

scala版本：

package cn.spark.study.sql

import org.apache.spark.SparkConf;
import org.apache.spark.SparkContext;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.SQLContext;

object ParquetPartitionDiscovery {
def main(args:Array[String])
{
val conf = new SparkConf()
.setAppName("ParquetPartitionDiscovery")
val sc = new SparkContext(conf)

val sqlContext = new SQLContext(sc)
// 读取parquet文件中的数据，并创建一个DataFrame
val usersDF = sqlContext.read.load("hdfs://spark1:9000/spark-study/users/gender=male/country=US/users.parquet")
usersDF.printSchema()
usersDF.show()
}
}