我有一个数据框，我使用 spark sql（使用动态分区）将其插入到现有的分区配置单元表中。 写入数据框后，我想知道我的数据框刚刚在 hive 中创建的分区是什么。
我可以查询不同分区的数据帧，但它需要很长时间，因为它必须启动数据帧的整个沿袭。
我可以在写入 hive 之前保留数据帧，这样，写入操作和不同的 partition_column 操作就发生在缓存的数据帧之上。但是我的数据框非常大，不想花更多时间在持久化上。
我知道所有的分区信息都存储在 Hive Metastore 中。 spark中是否有任何metastore api可以帮助仅检索已创建的新分区？
【问题讨论】：
标签： apache-spark hive apache-spark-sql
您可以使用HiveMetastoreClient 检索表的分区数据：
import org.apache.hadoop.hive.conf.HiveConf
import scala.collection.JavaConverters._
import org.apache.hadoop.hive.metastore.HiveMetaStoreClient
val hiveConf = new HiveConf(spark.sparkContext.hadoopConfiguration, classOf[HiveConf])
val cli = new HiveMetaStoreClient(hiveConf)
/* Get list of partition values prior to DF insert */
val existingPartitions = cli.listPartitions("<db_name>", "<tbl_name>", Short.MaxValue).asScala.map(_.getValues.asScala.mkString(","))
/* Insert DF contents to table */
df.write.insertInto("<db_name>.<tbl_name>")
/* Fetch list of partition values again, and diff with previous list */
val newPartitions = cli.listPartitions("<db_name>", "<tbl_name>", Short.MaxValue).asScala.map(_.getValues.asScala.mkString(","))
val deltaPartitions = newPartitions.diff(existingPartitions)
【讨论】：
listPartitions 返回的 Partition 对象有一个 getCreateTime 访问器，例如cli.listPartitions("<db_name>", "<tbl_name>", Short.MaxValue).asScala.map(part => (part.getValues.asScala.mkString(","), part.getCreateTime))
val epochTime = <epoch time before inserting the dataframe>
val partitionName = <Partition Column Name>
df.write.insertInto("<db_name>.<tbl_name>")
val catalogPartitions = spark.sharedState.externalCatalog.listPartitions("<db_name>", "<tbl_name>")
val partitionValues = catalogPartitions.filter(cp => ((cp.parameters.get("transient_lastDdlTime").isDefined && cp.parameters.getOrElse("transient_lastDdlTime", "0").toLong >= epochTime / 1000) || cp.lastAccessTime >= epochTime || cp.createTime >= epochTime) && cp.spec.contains(datePartition)).map(cp => cp.spec.getOrElse(datePartition, "")
}).toList
processedPartitions = partitionValues.toList
在大多数情况下，lastAccessTime 为 0。 createTime 具有创建分区的时间。但是在参数中，我发现了一个新的参数 transient_lastDdlTime ，其中包含分区的更新时间戳。在更安全的方面，检查所有三个以提供在给定纪元时间之后创建或修改的分区。
【讨论】：