我有一个带有日期列的数据框。我已将其解析为年、月、日列。我想对这些列进行分区，但我不希望这些列保留在 parquet 文件中。
这是我对数据进行分区和写入的方法：
df = df.withColumn('year', f.year(f.col('date_col'))).withColumn('month',f.month(f.col('date_col'))).withColumn('day',f.dayofmonth(f.col('date_col')))
df.write.partitionBy('year','month', 'day').parquet('/mnt/test/test.parquet')
这会正确创建镶木地板文件，包括嵌套文件夹结构。但是，我不希望 parquet 文件中包含年、月或日列。
【问题讨论】：
标签： python apache-spark pyspark databricks
Spark/Hive 不会在您的 parquet files 中写入 year,month,day 列，因为它们已经在 partitionBy 子句。
示例：
val df=Seq((1,"a"),(2,"b")).toDF("id","name")
df.coalesce(1).write.partitionBy("id").csv("/user/shu/temporary2") //write csv file.
检查 csv 文件的内容：
hadoop fs -cat /user/shu/temporary2/id=1/part-00000-dc55f08e-9143-4b60-a94e-e28b1d7d9285.c000.csv
输出：
a
如您所见，csv 文件 中包含 no id value，与您编写 parquet file 分区的方式相同列不包含在 part-*.parquet 文件中。
检查 parquet 文件的架构：
parquet-tools schema <hdfs://nn:8020/parquet_file>
您还可以验证 parquet 文件中包含的所有列。
【讨论】：
如果您使用df.write.partitionBy('year','month', 'day')。
这些列不实际上以物理方式存储在文件数据中。它们只是通过partitionBy 创建的文件夹结构呈现。
例如。 partitionBy('year').csv("/data") 将创建类似：
/data/year=2018/part1---.csv
/data/year=2019/part1---.csv
当您读回数据时，它使用特殊路径 year=xxx 填充这些列。
您可以通过直接读入一个单个分区的数据来证明这一点。
例如。在这种情况下，year 将不是一列。
df = spark.read.csv("data/year=2019/")
df.printSchema()
@Shu 的回答也可以用来调查。
这些列不占用存储空间，您可以放心入睡。
如果您真的不想简单地查看列，您可以在此表的顶部放置一个视图，排除这些列。
【讨论】：