apache-spark - 在数据 block 中加载增量表特定分区的最佳做法是什么？

Question

我想知道加载增量表特定分区的最佳方法是什么？ 选项 2 是否在过滤之前加载所有表？

选项 1:

df = spark.read.format("delta").option('basePath','/mnt/raw/mytable/')\
   .load('/mnt/raw/mytable/ingestdate=20210703')

(这里需要basePath选项吗？)

选项 2:

df = spark.read.format("delta").load('/mnt/raw/mytable/')
df = df.filter(col('ingestdate')=='20210703')

提前致谢!

Answer 1

在第二个选项中，spark 仅加载过滤条件中提到的相关分区，spark 内部进行分区修剪，并仅从源表中加载相关数据。

而在第一个选项中，您直接指示 spark 仅加载定义的各个分区。

因此在这两种情况下，您最终只会加载相应的分区数据。