Question

我在spark sql中使用了show分区，这给了我以下内容：

year=2019/month=1/day=21
year=2019/month=1/day=22
year=2019/month=1/day=23
year=2019/month=1/day=24
year=2019/month=1/day=25
year=2019/month=1/day=26
year=2019/month=2/day=27

我需要提取最新分区
我需要分别指定年，月和日，以便可以在另一个数据框中将其用作变量。即：

part_year=2019
part_month=1
part_day=29

我用过：

val overwrite2 = overwrite.select(col("partition",8,8) as year

我从中得到

2019/month

要删除此内容，我使用了另一个数据框，其中我使用regex_replace将月份替换为空白，因此创建了另一个数据框。

这反过来又增加了很多开销。我想要的是将所有这些步骤都在一个数据帧中完成，这样我就可以将结果数据帧获取为：

part_year=2019
part_month=2
part_day=27

正在选择最新的分区。

Answer 1

问题：如何从年月日列表中提取最新/最近的分区   分区列

1）我需要提取最新的分区。

2）我需要分别指定年，月和日，以便可以在   另一个数据框作为变量。

由于最终目标是获取最新/最近的分区...您可以使用joda api DateTime通过与isAfter进行排序来获取最新的分区，如下例所示。

在spark.sql(s"show Partitions $yourtablename")之后，您将获得一个数据帧collect，由于它的小数据没有问题。

一旦收集了数据帧分区，您将得到一个这样的数组

       val x = Array(
    "year=2019/month=1/day=21",
    "year=2019/month=1/day=22",
    "year=2019/month=1/day=23",
    "year=2019/month=1/day=24",
    "year=2019/month=1/day=25",
    "year=2019/month=1/day=26",
    "year=2019/month=2/day=27"
  )
  val finalPartitions = listKeys()

  import org.joda.time.DateTime

  def listKeys(): Seq[Map[String, DateTime]] = {
    val keys: Seq[DateTime] = x.map(row => {
      println(s" Identified Key: ${row.toString()}")
      DateTime.parse(row.replaceAll("/", "")
        .replaceAll("year=", "")
        .replaceAll("month=", "-")
        .replaceAll("day=", "-")
      )
    })
      .toSeq
    println(keys)
    println(s"Fetched ${keys.size} ")
    val myPartitions: Seq[Map[String, DateTime]] = keys.map(key => Map("businessdate" -> key))

    myPartitions
  }
  val mapWithMostRecentBusinessDate = finalPartitions.sortWith(
    (a, b) => a("businessdate").isAfter(b("businessdate"))
  ).head

  println(mapWithMostRecentBusinessDate)
  val latest: Option[DateTime] = mapWithMostRecentBusinessDate.get("businessdate")
  val year = latest.get.getYear();
  val month = latest.get.getMonthOfYear();
  val day = latest.get.getDayOfMonth();
  println("latest year "+ year + "  latest month " + month + "  latest day  " + day)

最终结果：也就是说，您最近的日期是2019-02-27，因此您可以通过优化的方式查询配置单元数据。

 Identified Key: year=2019/month=1/day=22
 Identified Key: year=2019/month=1/day=23
 Identified Key: year=2019/month=1/day=24
 Identified Key: year=2019/month=1/day=25
 Identified Key: year=2019/month=1/day=26
 Identified Key: year=2019/month=2/day=27
WrappedArray(2019-01-21T00:00:00.000-06:00, 2019-01-22T00:00:00.000-06:00, 2019-01-23T00:00:00.000-06:00, 2019-01-24T00:00:00.000-06:00, 2019-01-25T00:00:00.000-06:00, 2019-01-26T00:00:00.000-06:00, 2019-02-27T00:00:00.000-06:00)
Fetched 7 
Map(businessdate -> 2019-02-27T00:00:00.000-06:00)
latest year 2019  latest month 2  latest day  27

如何从年月日分区列的列表中提取最新/最近的分区

1 个答案: