Apache spark 为什么Apache Spark读取嵌套结构中不必要的拼花地板列？

我的团队正在构建一个ETL过程，使用Spark将原始分隔文本文件加载到基于拼花地板的“数据湖”中。拼花地板列存储的承诺之一是，查询将只读取必要的“列条纹”

但是我们看到嵌套的模式结构正在读取意外的列

为了演示，下面是一个使用Scala和Spark 2.0.1外壳的POC：

// Preliminary setup
sc.setLogLevel("INFO")
import org.apache.spark.sql.types._
import org.apache.spark.sql._

// Create a schema with nested complex structures
val schema = StructType(Seq(
    StructField("F1", IntegerType),
    StructField("F2", IntegerType),
    StructField("Orig", StructType(Seq(
        StructField("F1", StringType),
        StructField("F2", StringType))))))

// Create some sample data
val data = spark.createDataFrame(
    sc.parallelize(Seq(
        Row(1, 2, Row("1", "2")),
        Row(3, null, Row("3", "ABC")))),
    schema)

// Save it
data.write.mode(SaveMode.Overwrite).parquet("data.parquet")

然后，我们将文件读回数据框并投影到列的子集：

// Read it back into another DataFrame
val df = spark.read.parquet("data.parquet")

// Select & show a subset of the columns
df.select($"F1", $"Orig.F1").show

运行时，我们会看到预期的输出：

+---+-------+
| F1|Orig_F1|
+---+-------+
|  1|      1|
|  3|      3|
+---+-------+

但是。。。查询计划显示了一个稍微不同的故事：

“优化计划”显示：

“解释”显示：

根据和，复杂嵌套结构的列应独立存储并可独立检索

问题:

这是当前Spark查询引擎的一个限制吗？换句话说，Parquet是否支持以最佳方式执行此查询，但Spark的查询规划器很幼稚

或者，这是当前实木地板实施的限制吗

或者，我没有正确使用Spark API吗

或者，我是否误解了Dremel/拼花地板柱存储的工作原理

---

可能相关：

这是目前Spark查询引擎的一个限制，下面是相关的JIRA票证，Spark只处理Parquet中简单类型的谓词下推，而不是嵌套结构类型

---

这是Spark查询引擎问题。@LostInOverflow，您知道这是否在Spark问题跟踪程序中吗？根据@julien le dem，似乎拼花地板应该支持这种情况，解决了这个问题。更新。先前的PR未经决议已关闭，新的简化PR已打开。在这里跟踪新的：谓词下推的限制不应该影响投影。问题可能是相关的，但不是相同的。很抱歉，我在回答中使用了谓词一词，但链接的JIRA票证标题是“拼花过滤器下推不处理结构字段”，不确定这是答案，但请看一看。OP没有筛选器，因此谓词下推不应应用。

val projected = df.select($"F1", $"Orig.F1".as("Orig_F1"))
projected.queryExecution.optimizedPlan
// Project [F1#18, Orig#20.F1 AS Orig_F1#116]
// +- Relation[F1#18,F2#19,Orig#20] parquet

projected.explain
// == Physical Plan ==
// *Project [F1#18, Orig#20.F1 AS Orig_F1#116]
// +- *Scan parquet [F1#18,Orig#20] Format: ParquetFormat, InputPaths: hdfs://sandbox.hortonworks.com:8020/user/stephenp/data.parquet, PartitionFilters: [], PushedFilters: [], ReadSchema: struct<F1:int,Orig:struct<F1:string,F2:string>>

16/10/21 15:13:15 INFO parquet.ParquetReadSupport: Going to read the following fields from the Parquet file:

Parquet form:
message spark_schema {
  optional int32 F1;
  optional group Orig {
    optional binary F1 (UTF8);
    optional binary F2 (UTF8);
  }
}

Catalyst form:
StructType(StructField(F1,IntegerType,true), StructField(Orig,StructType(StructField(F1,StringType,true), StructField(F2,StringType,true)),true))