Spark：保存按“虚拟”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“虚拟”列分区的文件/目录；我所说的“虚拟”是指我有一个 Timestamp 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，我可以从中派生这些列，但我不希望我的结果项序列化这些列之一。

将 DataFrame 保存到磁盘产生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"])

并写成如下：

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，不会在序列化文件中重复。只有当您读取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)