在pyspark中過濾Hive分區表

Question

我有一個蜂巢表，在許多國家/地區都有分布。 我想將特定的分區數據加載到我的數據框中，如下所示：

df=spark.read.orc("/apps/hive/warehouse/emp.db/partition_load_table").where('country="NCL"' && 'county="RUS"')

盡管我能夠為單個分區加載，但這給了我一個錯誤。

下面是我在hdfs中的目錄結構

/apps/hive/warehouse/emp.db/partition_load_table/country=NCL

df=spark.read.orc("/apps/hive/warehouse/emp.db/partition_load_table").where('country="NCL"')

Answer 1

不知道為什么不只使用HQLContext直接查詢配置單元表：

spark.sql("select * from partition_load_table where country in ('NCL', 'RUS')")

如果由於某些原因不可用，則可以合並基礎配置單元分區。 首先將它們作為單獨的數據框和聯合讀取。 就像是：

rus = spark.read.orc("/apps/hive/warehouse/emp.db/partition_load_table/country=rus") ncl = spark.read.orc("/apps/hive/warehouse/emp.db/partition_load_table/country=ncl") df = rus.union(ncl)