我在python中使用SparkSQL。我创建了一个分区表（〜几百个分区），使用hiveContext将其存储到Hive内部表中。蜂巢仓库位于S3。
当我只做“df = hiveContext.table（”mytable“）时。第一次浏览所有分区需要一分钟。我认为Metastore存储了所有元数据。为什么火花还需要通过每个分区？是否可以避免这一步，以便我的启动更快？
答案 0 :(得分：1)
这里的关键是，只需要在第一个查询上加载文件元数据就需要很长时间。原因是SparkSQL不会将分区元数据存储在Hive Metastore中。对于Hive分区表，分区信息需要存储在Metastore中。根据表的创建方式，将决定其行为方式。从提供的信息来看，这听起来像您创建了一个SparkSQL表。
SparkSQL存储表模式（包括分区信息）和表的根目录，但在运行查询时仍会动态发现S3上的每个分区目录。我的理解是这是一个权衡，因此您不需要在更新表时手动添加新分区。