azure - Azure Data Lake 的 Spark 谓词下推、过滤和分区修剪

Question

我一直在阅读有关 Spark 谓词下推和分区修剪的内容，以了解读取的数据量。我对此有以下疑问

假设我有一个包含列的数据集(年份:Int，学校名称:String，学生 ID:Int，主题已注册:String)其中存储在磁盘上的数据按年份和学校名称进行分区，并以 parquet 格式存储在 Azure 数据湖存储中。

1)如果我发出读取spark.read(container).filter(Year=2019, SchoolName="XYZ"):

• 分区修剪生效后是否只会读取有限数量的分区？
• blob 存储上是否会有 I/O，数据将加载到 Spark 集群，然后进行过滤，即我是否需要为我们不需要的所有其他数据的 IO 支付 Azure 费用？
• 如果不是，Azure Blob 文件系统如何理解这些过滤器，因为默认情况下它不可查询？

2)如果我发出读取spark.read(container).filter(StudentId = 43):

• spark 是否仍会将过滤器推送到磁盘并仅读取所需的数据？由于我没有按此分区，它会理解每一行并根据查询进行过滤吗？
• 我是否还需要为查询中不需要的所有文件支付 IO 到 azure 的费用？

Answer 1

1) 当您在分区的列上使用过滤器时，Spark 将完全跳过这些文件，并且不会花费您任何 IO。如果您查看文件结构，它的存储方式如下:

parquet-folder/Year=2019/SchoolName=XYZ/part1.parquet
parquet-folder/Year=2019/SchoolName=XYZ/part2.parquet
parquet-folder/Year=2019/SchoolName=XYZ/...

2) 当您筛选不在分区中的某些列时，Spark 将扫描该 parquet 表的每个文件夹中的每个 part 文件。仅当您具有下推过滤时，Spark 才会使用每个 part 文件的页脚(其中存储了最小值、最大值和计数统计信息)来确定您的搜索值是否在该范围内。如果是，Spark 将完整读取该文件。如果没有，Spark 将跳过整个文件，至少不会花费您完整的读取时间。