Spark结构化流媒体中的拼花数据和分割问题

Question

我正在使用Spark结构化流媒体；我的DataFrame具有以下架构

root 
 |-- data: struct (nullable = true) 
 |    |-- zoneId: string (nullable = true) 
 |    |-- deviceId: string (nullable = true) 
 |    |-- timeSinceLast: long (nullable = true) 
 |-- date: date (nullable = true) 

如何使用Parquet格式执行writeStream并写入数据（包含zoneId、deviceId、TimesInclast；除日期外的所有内容）并按日期对数据进行分区？我尝试了以下代码，但partition by子句不起作用

val query1 = df1 
  .writeStream 
  .format("parquet") 
  .option("path", "/Users/abc/hb_parquet/data") 
  .option("checkpointLocation", "/Users/abc/hb_parquet/checkpoint") 
  .partitionBy("data.zoneId") 
  .start() 

Answer 1

我认为您应该尝试方法重新分区，它可以接受两种参数：

• 列名
• 所需分区数

我建议使用重新分区（“日期”）按日期对数据进行分区。

这是一个很好的主题链接：https://hackernoon.com/managing-spark-partitions-with-coalesce-and-repartition-4050c57ad5c4

Answer 2

如果要按日期进行分区，则必须在方法中使用它。

val query1 = df1 
  .writeStream 
  .format("parquet") 
  .option("path", "/Users/abc/hb_parquet/data") 
  .option("checkpointLocation", "/Users/abc/hb_parquet/checkpoint") 
  .partitionBy("date") 
  .start()

如果要对由<代码>

val df = dataset.withColumn("date", dataset.col("date").cast(DataTypes.DateType))

df.withColumn("year", functions.date_format(df.col("date"), "YYYY"))
  .withColumn("month", functions.date_format(df.col("date"), "MM"))
  .withColumn("day", functions.date_format(df.col("date"), "dd"))
  .writeStream 
  .format("parquet") 
  .option("path", "/Users/abc/hb_parquet/data") 
  .option("checkpointLocation", "/Users/abc/hb_parquet/checkpoint") 
  .partitionBy("year", "month", "day")
  .start()