Spark 是不是支持结构数组的列扫描修剪

Posted 2023-04-15

【中文标题】Spark 是不是支持结构数组的列扫描修剪

【英文标题】：Does Spark support column scan pruning for array of structsSpark 是否支持结构数组的列扫描修剪

【发布时间】：2020-07-20 14:53:24

【问题描述】：

我在以下架构中有一个名为“家庭”的数据框：

root
 |-- country_code: string (nullable = true)
 |-- region_code: string (nullable = true)
 |-- individuals: array (nullable = true)
 |    |-- element: struct (containsNull = true)
 |    |    |-- individual_id: string (nullable = true)
 |    |    |-- ids: array (nullable = true)
 |    |    |    |-- element: struct (containsNull = true)
 |    |    |    |    |-- id_last_seen: date (nullable = true)
 |    |    |    |    |-- type: string (nullable = true)
 |    |    |    |    |-- value: string (nullable = true)
 |    |    |    |    |-- year_released: integer (nullable = true)

我可以使用以下代码查找包含至少一台 2018 年后发布的设备的家庭

val sql = """
select household_id
from household
where exists(individuals, id -> exists(id.ids, dev -> dev.year_released > 2018))
"""
val v = spark.sql(sql)

它运行良好，但是，我发现 spark 查询规划器无法修剪不需要的列。该计划表明 Spark 必须读取嵌套结构的所有列

用 spark 2.4.5 和 3.0.0 对此进行了测试，得到了相同的结果。

只是想知道 Spark 是否支持或将添加对结构数组的列扫描修剪的支持？

【问题讨论】：

您的查询运行缓慢吗？据我所知，修剪只适用于 Spark 中的分区。

速度很慢，因为 Spark 必须读取嵌套结构中的所有列，即使实际上只使用了一个列

您可能需要将 ids 数组规范化为新的数据帧。但是，只有频繁运行 select 语句才值得这样做。

最近的 spark 版本确实支持修剪嵌套列，但仍然不是 100%。你可以试试github.com/taboola/ScORe，可能有用。您也可以手动提供架构。

【参考方案1】：

是的。

要激活嵌套模式修剪，您必须在上下文中设置该选项：

spark.conf.set("spark.sql.optimizer.nestedSchemaPruning.enabled", "true")

在此处查看此答案： Efficient reading nested parquet column in Spark