Spark SQL解析查詢parquet格式Hive表獲取分區欄位和查詢條件
首先說一下，這裡解決的問題應用場景：
sparksql處理Hive表數據時，判斷載入的是否是分區表，以及分區表的欄位有哪些？再進一步限制查詢分區表必須指定分區？
這裡涉及到兩種情況：select SQL查詢和載入Hive表路徑的方式。這裡僅就”載入Hive表路徑的方式”解析分區表欄位，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載入指定Hive分區表路徑，生成的DataSet沒有分區欄位。
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是它的分區欄位，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，這裡僅以示例的程式中涉及到的源碼中的class、object和方法，繪製成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
我這裡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底層處理後得到的basePaths: Set(new Path(「/spark/dw/test.db/test_partition/dt=20200101」))【偽程式碼】
leafDirs: Seq(new Path(「/spark/dw/test.db/test_partition/dt=20200101」))【偽程式碼】2. hive_path為/spark/dw/test.db/test_partition/*
sparksql底層處理後得到的basePaths: Set(new Path(「/spark/dw/test.db/test_partition/dt=20200101」),new Path(「/spark/dw/test.db/test_partition/dt=20200102」))【偽程式碼】
leafDirs: Seq(new Path(「/spark/dw/test.db/test_partition/dt=20200101」),new Path(「/spark/dw/test.db/test_partition/dt=20200102」))【偽程式碼】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數finished為true跳出循環，因此最終生成的結果也就沒有分區欄位：
解決方案（親測有效）
1. 在Spark SQL載入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程式碼。由於涉及需要改寫的程式碼比較多，可以封裝成工具
關聯文章：
