首先說一下，這里解決的問題應(yīng)用場景：

sparksql處理Hive表數(shù)據(jù)時(shí)，判斷加載的是否是分區(qū)表，以及分區(qū)表的字段有哪些？再進(jìn)一步限制查詢分區(qū)表必須指定分區(qū)？

這里涉及到兩種情況：select SQL查詢和加載Hive表路徑的方式。這里僅就"加載Hive表路徑的方式"解析分區(qū)表字段，在處理時(shí)出現(xiàn)的一些問題及解決作出詳細(xì)說明。

如果大家有類似的需求，筆者建議通過解析Spark SQL logical plan和下面說的這種方式解決方案結(jié)合，封裝成一個(gè)通用的工具。

問題現(xiàn)象

sparksql加載指定Hive分區(qū)表路徑，生成的DataSet沒有分區(qū)字段。

如，

sparkSession.read.format("parquet").load(s"${hive_path}")，hive_path為Hive分區(qū)表在HDFS上的存儲路徑。

hive_path的幾種指定方式會導(dǎo)致這種情況的發(fā)生(test_partition是一個(gè)Hive外部分區(qū)表，dt是它的分區(qū)字段，分區(qū)數(shù)據(jù)有dt為20200101和20200102):

1. hive_path為"/spark/dw/test.db/test_partition/dt=20200101"

2. hive_path為"/spark/dw/test.db/test_partition/*"

因?yàn)闋可娴降脑创a比較多，這里僅以示例的程序中涉及到的源碼中的class、object和方法，繪制成xmind圖如下，想細(xì)心研究的可以參考該圖到spark源碼中進(jìn)行分析。

問題分析

我這里主要給出幾個(gè)源碼段，結(jié)合上述xmind圖理解：

在沒有指定參數(shù)basePath的情況下：

1. hive_path為/spark/dw/test.db/test_partition/dt=20200101

sparksql底層處理后得到的basePaths: Set(new Path(“/spark/dw/test.db/test_partition/dt=20200101”))【偽代碼】

leafDirs: Seq(new Path(“/spark/dw/test.db/test_partition/dt=20200101”))【偽代碼】

2. hive_path為/spark/dw/test.db/test_partition/*

sparksql底層處理后得到的basePaths: Set(new Path(“/spark/dw/test.db/test_partition/dt=20200101”),new Path(“/spark/dw/test.db/test_partition/dt=20200102”))【偽代碼】

leafDirs: Seq(new Path(“/spark/dw/test.db/test_partition/dt=20200101”),new Path(“/spark/dw/test.db/test_partition/dt=20200102”))【偽代碼】

這兩種情況導(dǎo)致源碼if(basePaths.contains(currentPath))為true，還沒有解析分區(qū)就重置變量finished為true跳出循環(huán)，因此最終生成的結(jié)果也就沒有分區(qū)字段：

解決方案(親測有效)

1. 在Spark SQL加載Hive表數(shù)據(jù)路徑時(shí)，指定參數(shù)basePath，如

sparkSession.read.option("basePath","/spark/dw/test.db/test_partition")

2. 主要重寫basePaths方法和parsePartition方法中的處理邏輯，同時(shí)需要修改其他涉及的代碼。由于涉及需要改寫的代碼比較多，可以封裝成工具

關(guān)聯(lián)文章：

總結(jié)

以上是生活随笔為你收集整理的hive表指定分区字段搜索_Spark SQL解析查询parquet格式Hive表获取分区字段和查询条件...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。