如何在 apache spark 中读取最新的分区

Question

我使用了包含查询的数据框

df : Dataframe =spark.sql(s"show Partitions $yourtablename")

现在分区的数量每天都在变化，因为它每天都在运行。

主要关心的是我需要获取最新的分区。

假设我获得了特定日期的随机表的分区 喜欢

year=2019/month=1/day=1
year=2019/month=1/day=10
year=2019/month=1/day=2
year=2019/month=1/day=21
year=2019/month=1/day=22
year=2019/month=1/day=23
year=2019/month=1/day=24
year=2019/month=1/day=25
year=2019/month=1/day=26
year=2019/month=2/day=27
year=2019/month=2/day=3

现在您可以看到它对分区进行排序的功能，以便在day=1 之后出现day=10。这会产生一个问题，因为我需要获取最新的分区。

我已经设法通过使用来获取分区

val df =dff.orderby(col("partition").desc.limit(1)

但这给了我尾 -1 分区，而不是最新的分区。

如何从表中获取最新的分区，以克服 hives 对排列分区的限制？

所以假设在上面的例子中我需要拿起

 year=2019/month=2/day=27

而不是

year=2019/month=2/day=3

这是表中的最后一个分区。

Answer 1

您可以从SHOW PARTITIONS获取最大分区数

spark.sql("SHOW PARTITIONS my_database.my_table").select(max('partition)).show(false)

Answer 2

我不会依赖位置依赖，但如果你这样做，我至少会有 year=2019/month=2/day=03.

我会通过 SQL 语句依赖分区修剪和 SQL。我不确定你是否在使用 ORC、PARQUET 等，但分区修剪应该是个不错的选择。

例如

 val df = sparkSession.sql(""" select max(partition_col)
                                 from randomtable 
                           """)

 val maxVal = df.first().getString(0) // this as sql result is a DF

另见https://mapr.com/blog/tips-and-best-practices-to-take-advantage-of-spark-2-x/