Spark SQL（六）之加载数据的参数配置

绝地灬酷狼 2022-11-15 11:45 259阅读 0赞

### 一、配置 ###

忽略损坏的文件、忽略丢失的文件、路径全局过滤器、递归文件查找和修改时间路径过滤器等选项/配置仅在使用基于文件的源（parquet，orc，avro，json，csv，txt）时才有效。

以下示例中使用的目录层次结构为：

dir/
     ├── childDir/
     │    └── test.json
     └── test.avro
     └── test.orc
     └── test1.json

### 二、忽略损坏的文件 ###

`设置spark.sql.files.ignoreCorruptFiles`为true从文件读取数据时忽略损坏的文件。

读取数据文件时忽略损坏的文件例子：

spark.sql("set spark.sql.files.ignoreCorruptFiles=true");
    // dir/test.avro 和 dir/test.avro不是json被忽略
    Dataset<Row> jsonDF = spark.read().json(
            "hdfs://master:9000/dir/",
            "hdfs://master:9000/dir/chidDir/");
    jsonDF.show();

## ##

### 三、忽略丢失的文件 ###

设置`spark.sql.files.ignoreMissingFiles`设置为true在文件读取数据时忽略不存在的文件。

spark.sql("set spark.sql.files.ignoreMissingFiles=true");
    
    Dataset<Row> jsonDF = spark.read().json(
            "hdfs://master:9000/dir/",
            "hdfs://master:9000/dir/chidDir/a.json");
    jsonDF.show();

### 四、路径全局过滤器 ###

`pathGlobFilter`用于仅包含文件名与模式匹配的文件。语法实现为`org.apache.hadoop.fs.GlobFilter类，`它不会更改分区发现的行为。

要加载具有与给定全局模式匹配的路径的文件，同时保持分区发现的行为，例子：

Dataset<Row> jsonDF = spark.read().format("json")
            .option("pathGlobFilter", "*.json") // dir只读取json文件
            .load("hdfs://master:9000/dir");
    jsonDF.show();

### 五、递归文件查找 ###

`recursiveFileLookup`用于递归加载文件，并且禁用分区推断。其默认值为`false`。如果数据源显式指定`partitionSpec`并且`recursiveFileLookup`为true，则将引发异常。

递归加载所有文件例子：

Dataset<Row> jsonDF = spark.read().format("json")
            .option("recursiveFileLookup", "true")
            .load("hdfs://master:9000/dir");
    jsonDF.show();

## ##

### 六、修改时间路径过滤器 ###

`modifiedBefore`和·`modifiedAfter`是可以一起应用或单独应用的选项。（注意，结构化流文件源不支持这些选项。）

*  `modifiedBefore`：可选的时间戳记，仅包含修改时间在指定时间之前发生的文件。提供的时间戳必须采用以下格式：YYYY-MM-DDTHH：mm：ss（例如：2021-03-31T20：10：00）
 *  `modifiedAfter`：可选的时间戳记，仅包括修改时间在指定时间之后发生的文件。提供的时间戳必须采用以下格式：YYYY-MM-DDTHH：mm：ss（例如：2021-03-31T20：10：00）

如果未提供时区选项，则时间戳使用Spark会话时区（`spark.sql.session.timeZone`）。

要加载路径与给定的修改时间范围匹配的文件，例子：

Dataset<Row> jsonDF = spark.read().format("json")
            .option("modifiedBefore", "2021-03-21T11:34:00")
            .option("modifiedAfter", "2021-03-05T11:34:00")
            // Interpret both times above relative to CST timezone
            .option("timeZone", "CST")
            .load("hdfs://master:9000/dir");
    jsonDF.show();