apache-spark - 在数据块中加载增量表特定分区的最佳实践是什么？

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 是在过滤之前加载所有表吗？

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')

提前谢谢了 ！

标签： apache-sparkpysparkpartitioningazure-databricksdelta-lake

Answer 1

在第二个选项中，spark 仅加载已在过滤条件中提及的相关分区，内部 sparkpartition pruning仅加载源表中的相关数据。

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，您最终都将仅加载各自的分区数据。