PySpark：使用选定的列或分区优化从 Delta 读取/加载

Question

我正在尝试将来自 Delta 的数据加载到 pyspark dataframe 中。

path_to_data = 's3://mybucket/daily_data/'
df = spark.read.format("delta").load(path_to_data)

现在基础数据按日期划分为

s3://mybucket/daily_data/
    dt=2020-06-12
    dt=2020-06-13
    ...
    dt=2020-06-22

有没有办法将读取优化为 Dataframe，给出：

1. 只需要特定的日期范围
2. 只需要列的子集

目前，我尝试过的方法是：

df.registerTempTable("my_table")
new_df = spark.sql("select col1,col2 from my_table where dt_col > '2020-06-20' ")
# dt_col is column in dataframe of timestamp dtype.

在上面的 state 中，Spark 是否需要加载整个数据，根据日期范围过滤数据，然后过滤所需的列？ 是否可以在 pyspark 读取中进行任何优化，以加载数据，因为它已经分区？

在线的东西：

df = spark.read.format("delta").load(path_to_data,cols_to_read=['col1','col2'])
or 
df = spark.read.format("delta").load(path_to_data,partitions=[...])

Answer 1

在您的情况下，不需要额外的步骤。 Spark 将负责优化。 由于当您尝试使用分区列dt作为过滤条件查询数据集时，您已经根据列dt对数据集进行了分区。 Spark 仅从源数据集中加载与过滤条件匹配的数据子集，在您的情况下为dt > '2020-06-20' 。

Spark 在内部进行基于优化的分区修剪。

Answer 2

要做到这一点没有 SQL..

from pyspark.sql import functions as F

df = spark.read.format("delta").load(path_to_data).filter(F.col("dt_col") > F.lit('2020-06-20'))

虽然对于这个例子，你可能需要做一些比较日期的工作。