过滤火花分区表在 Pyspark 中不起作用

Question

我正在使用 spark 2.3 并且已经使用 pyspark 中的数据帧写入器类方法编写了一个数据帧来创建配置单元分区表。

newdf.coalesce(1).write.format('orc').partitionBy('veh_country').mode("overwrite").saveAsTable('emp.partition_Load_table')

这是我的表结构和分区信息。

hive> desc emp.partition_Load_table;
OK
veh_code                varchar(17)
veh_flag                varchar(1)
veh_model               smallint
veh_country             varchar(3)

# Partition Information
# col_name              data_type               comment

veh_country              varchar(3)

hive> show partitions partition_Load_table;
OK
veh_country=CHN
veh_country=USA
veh_country=RUS

现在我正在数据框内的 pyspark 中读取此表。

    df2_data = spark.sql("""
    SELECT * 
    from udb.partition_Load_table
    """);

df2_data.show() --> is working

但我无法使用分区键列对其进行过滤

from pyspark.sql.functions import col
newdf = df2_data.where(col("veh_country")=='CHN')

我收到以下错误消息：

: java.lang.RuntimeException: Caught Hive MetaException attempting to get partition metadata by filter from Hive. 
You can set the Spark configuration setting spark.sql.hive.manageFilesourcePartitions to false to work around this problem, 
however this will result in degraded performance. Please report a bug: https://issues.apache.org/jira/browse/SPARK
Caused by: MetaException(message:Filtering is supported only on partition keys of type string)

而当我通过指定表的 hdfs 绝对路径来创建数据框时。 filter 和 where 子句按预期工作。

newdataframe = spark.read.format("orc").option("header","false").load("hdfs/path/emp.db/partition_load_table")

下面是工作

newdataframe.where(col("veh_country")=='CHN').show()

我的问题是为什么它不能首先过滤数据框。以及为什么它会抛出错误消息“仅对字符串类型的分区键支持过滤”，即使我的 veh_country 被定义为字符串或 varchar 数据类型。

Answer 1

我也偶然发现了这个问题。对我有帮助的是这样做：

spark.sql("SET spark.sql.hive.manageFilesourcePartitions=False")

然后使用spark.sql(query) 而不是使用数据框。

我不知道幕后发生了什么，但这解决了我的问题。

虽然对您来说可能为时已晚（因为这个问题是 8 个月前提出的），但这可能对其他人有所帮助。