首先說一下，這里解決的問題應用場景：

sparksql處理Hive表數據時，判斷加載的是否是分區表，以及分區表的字段有哪些？再進一步限制查詢分區表必須指定分區？

這里涉及到兩種情況：select SQL查詢和加載Hive表路徑的方式。這里僅就"加載Hive表路徑的方式"解析分區表字段，在處理時出現的一些問題及解決作出詳細說明。

如果大家有類似的需求，筆者建議通過解析Spark SQL logical plan和下面說的這種方式解決方案結合，封裝成一個通用的工具。

問題現象

sparksql加載指定Hive分區表路徑，生成的DataSet沒有分區字段。如：

sparkSession.read.format(“parquet”).load(s"${hive_path}")，hive_path為Hive分區表在HDFS上的存儲路徑。

hive_path的幾種指定方式會導致這種情況的發生（test_partition是一個Hive外部分區表，dt是它的分區字段，分區數據有dt為20200101和20200102）:

1.hive_path為"/spark/dw/test.db/test_partition/dt=20200101"
2.hive_path為"/spark/dw/test.db/test_partition/*"

因為牽涉到的源碼比較多，這里僅以示例的程序中涉及到的源碼中的class、object和方法，繪制成xmind圖如下，想細心研究的可以參考該圖到spark源碼中進行分析。

問題分析

我這里主要給出幾個源碼段，結合上述xmind圖理解：

在沒有指定參數basePath的情況下：

1.hive_path為/spark/dw/test.db/test_partition/dt=20200101

sparksql底層處理后得到的basePaths: Set(new Path(“/spark/dw/test.db/test_partition/dt=20200101”))【偽代碼】leafDirs: Seq(new Path(“/spark/dw/test.db/test_partition/dt=20200101”))【偽代碼】

2.hive_path為/spark/dw/test.db/test_partition/*

sparksql底層處理后得到的basePaths: Set(new Path(“/spark/dw/test.db/test_partition/dt=20200101”),new Path(“/spark/dw/test.db/test_partition/dt=20200102”))【偽代碼】leafDirs: Seq(new Path(“/spark/dw/test.db/test_partition/dt=20200101”),new Path(“/spark/dw/test.db/test_partition/dt=20200102”))【偽代碼】

這兩種情況導致源碼if(basePaths.contains(currentPath))為true，還沒有解析分區就重置變量finished為true跳出循環，因此最終生成的結果也就沒有分區字段：

解決方案（親測有效）

1.在Spark SQL加載Hive表數據路徑時，指定參數basePath，如
sparkSession.read.option(“basePath”,“/spark/dw/test.db/test_partition”)

2.主要重寫basePaths方法和parsePartition方法中的處理邏輯，同時需要修改其他涉及的代碼。由于涉及需要改寫的代碼比較多，可以封裝成工具。
更多干貨搶先看： 大數據技術干貨匯總 —— 助力迎接復雜多變且充滿機遇的2025