当读取pyspark数据帧中的单元分区ORC表时，逻辑和物理计划是如何工作的

Question

我创建了一个从hdfs位置读取csv的spark数据帧。

emp_df = spark.read.format("com.databricks.spark.csv") 
.option("mode", "DROPMALFORMED") 
.option("header", "true") 
.option("inferschema", "true") 
.option("delimiter", ",").load(PATH_TO_FILE)

并使用partitionBy方法将该数据帧保存为Hive分区的orc表

emp_df.repartition(5, 'emp_id').write.format('orc').partitionBy("emp_id").saveAsTable("UDB.temptable")

当我按照下面的方法阅读这个表时，如果我查看逻辑和物理计划，它似乎已经使用分区键列完美地过滤了数据

emp_df_1 = spark.sql("select * from UDB.temptable where emp_id ='6'")
emp_df_1.explain(True)
***************************************************************************
== Parsed Logical Plan ==
'Project [*]
+- 'Filter ('emp_id = 6)
+- 'UnresolvedRelation `UDB`.`temptable`
== Analyzed Logical Plan ==
emp_name: string, emp_city: string, emp_salary: int, emp_id: int
Project [emp_name#7399, emp_city#7400, emp_salary#7401, emp_id#7402]
+- Filter (emp_id#7402 = cast(6 as int))
+- SubqueryAlias temptable
+- Relation[emp_name#7399,emp_city#7400,emp_salary#7401,emp_id#7402] orc
== Optimized Logical Plan ==
Filter (isnotnull(emp_id#7402) && (emp_id#7402 = 6))
+- Relation[emp_name#7399,emp_city#7400,emp_salary#7401,emp_id#7402] orc
== Physical Plan ==
*(1) FileScan orc udb.temptable[emp_name#7399,emp_city#7400,emp_salary#7401,emp_id#7402] Batched: true, Format: ORC, Location: PrunedInMemoryFileIndex[hdfs://pathlocation/database/udb...., 
PartitionCount: 1, PartitionFilters: [isnotnull(emp_id#7402), (emp_id#7402 = 6)], PushedFilters: [], ReadSchema: struct<emp_name:string,emp_city:string,emp_salary:int>
***************************************************************************

而如果我通过绝对hdfs路径位置读取这个数据帧，它似乎无法使用分区键列过滤数据

emp_df_2 = spark.read.format("orc").load("hdfs://pathlocation/database/udb.db/temptable/emp_id=6")
emp_df_2.explain(True)
******************************************************************************
== Parsed Logical Plan ==
Relation[emp_name#7411,emp_city#7412,emp_salary#7413] orc
== Analyzed Logical Plan ==
emp_name: string, emp_city: string, emp_salary: int
Relation[emp_name#7411,emp_city#7412,emp_salary#7413] orc
== Optimized Logical Plan ==
Relation[emp_name#7411,emp_city#7412,emp_salary#7413] orc
== Physical Plan ==
*(1) FileScan orc [emp_name#7411,emp_city#7412,emp_salary#7413] Batched: true, Format: ORC, Location: InMemoryFileIndex[hdfs://pathlocation/data/database/udb.db/tem..., 
PartitionFilters: [], PushedFilters: [], ReadSchema: struct<emp_name:string,emp_city:string,emp_salary:int>
********************************************************************************

你能帮我理解这两种情况下的逻辑和物理计划吗？

Answer 1

在第二个示例中，分区位置已经包含在HDFS路径中。您仍然可以将父目录作为路径，并使用以下代码进行分区：

full_dataset_df = spark.read.format("orc") 
.load("hdfs://pathlocation/database/udb.db/temptable")
one_partition_df = full_dataset_df.where(full_dataset_df.emp_id == 6)

值得一提的是，无论您将使用这3种方法中的哪一种，数据处理性能都是相同的。