python - PySpark : Optimize read/load from Delta using selected columns or partitions

Question

我正在尝试将数据从 Delta 加载到 pyspark 数据帧中。

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分区为

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

有没有办法优化读取数据帧，给定:

只需要特定的日期范围

只需要列的子集

目前的方式，我试过是:

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.

在上述状态下，Spark是否需要加载整个数据，根据日期范围过滤数据，然后过滤需要的列？ pyspark read 中是否有任何优化可以加载数据，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。优化将由 Spark 负责。由于您已经根据列 dt 对数据集进行了分区当您尝试使用分区列查询数据集时 dt作为过滤条件。 Spark 仅加载源数据集中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。