apache-spark - 读取分区 Parquet 时，Spark 错误地将以 'd' 或 'f' 结尾的分区名称解释为数字

Question

我正在使用 spark.read.parquet() 从一个文件夹中读取，在该文件夹中， Parquet 文件被组织在分区中。当分区名称以 f 或 d 结尾时，结果将是错误的。显然，Spark 会将它们解释为数字而不是字符串。我创建了一个最小的测试用例，如下所示来重现问题。

df = spark.createDataFrame([
            ('9q', 1),
            ('3k', 2),
            ('6f', 3),
            ('7f', 4),
            ('7d', 5),
     ],
     schema='foo string, id integer'
)
df.write.partitionBy('foo').parquet('./tmp_parquet', mode='overwrite')
read_back_df = spark.read.parquet('./tmp_parquet')
read_back_df.show()

read_back_df 将是

+---+---+                                                                       
| id|foo|
+---+---+
|  1| 9q|
|  4|7.0|
|  3|6.0|
|  2| 3k|
|  5|7.0|
+---+---+

注意分区 6f/7f/7d 变成了 6.0/7.0/7.0。
Spark 版本是 2.4.3。

Answer 1

您看到的行为是预期的。
来自 Spark documentation :

Notice that the data types of the partitioning columns are automatically inferred.

您可以通过设置 spark.sql.sources.partitionColumnTypeInference.enabled 禁用此功能。为假。
以下代码在读取 parquet 文件时保留字符串:

spark.conf.set("spark.sql.sources.partitionColumnTypeInference.enabled", False)
read_back_df = spark.read.parquet('./tmp_parquet')
read_back_df.show()

打印

+---+---+                                                                       
| id|foo|
+---+---+
|  3| 6f|
|  1| 9q|
|  4| 7f|
|  2| 3k|
|  5| 7d|
+---+---+