自动分区推断

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 ... 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

Hadoop fs –mkdir /users Hadoop fs –mkdir /users/gender=male Hadoop fs –mkdir /users/gender=male/country=us Hadoop fs –put users.parguet /users/gender=male/country=us/users.parguet

/**
 * Parquet数据源之自动推断分区
 * @author Administrator
 *
 */

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);

​​DataFrame usersDF = sqlContext​​​​.read().parquet(​​​​​​"hdfs://spark1:9000/susers/gender=male/country=US/users.parquet");
usersDF.printSchema();
​​usersDF.show();

​}
}