PySpark - 分区中覆盖的数据

Posted 2021-05-01

我看到一种情况，当一个pyspark数据帧保存到具有多列分区的hive表时，它也会覆盖子分区中的数据。或者 - 可能是我假设它是一个子分区。

我想将列'月'视为子分区。这样，当我将df2保存到同一个表时，我可以看到4条记录（在hive表中）而不是2条记录。

mode=append将工作。但是，如果年份和月份相同，我希望覆盖数据。保存pyspark数据帧时有没有办法做到这一点？

>>> df1 = spark.sql('select * from test_input')
>>> df1.show()
+---+---+----+-----+
| f1| f2|year|month|
+---+---+----+-----+
|  a|  b|2018|   01|
|  c|  d|2018|   01|
+---+---+----+-----+

>>> df1.write.saveAsTable('test_output',mode='overwrite',partitionBy=('year','month'))
>>> spark.sql('select * from test_output').show()
+---+---+----+-----+
| f1| f2|year|month|
+---+---+----+-----+
|  a|  b|2018|   01|
|  c|  d|2018|   01|
+---+---+----+-----+

>>> df2 = spark.sql('select * from test_input')
>>> df2.show()
+---+---+----+-----+
| f1| f2|year|month|
+---+---+----+-----+
|  a|  b|2018|   02|
|  c|  d|2018|   02|
+---+---+----+-----+

>>> df2.write.saveAsTable('test_output',mode='overwrite',partitionBy=('year','month'))
>>> spark.sql('select * from test_output').show()
+---+---+----+-----+
| f1| f2|year|month|
+---+---+----+-----+
|  a|  b|2018|   02|
|  c|  d|2018|   02|
+---+---+----+-----+

答案

看起来你误解了分区的概念。

这不是您在SQL语句中遇到的窗口函数分区;它反而指的是数据在内存或文件系统中的存储和引用方式。 Here's a helpful introduction.

更改Spark数据帧的分区永远不会改变该数据帧中的行数。