Spark——Spark覆盖分区表中指定的分区

项目场景

我们现在有这样一个表，需要按月来记录用户的状态，当前月的状态数据是每天都要更新的，历史月的状态数据导入到表之后就不再更新了。

那么这个业务场景就转换成了“如何向一个已存在的分区表写入并覆盖当前月份的状态数据，而又保留历史月份数据”的问题。

问题描述

Spark中向分区表写数据的时候，如果写入模式为“overwrite”，那会将整个表覆盖掉；如果写入模式为“append”，那么我们当前一个月的数据每天都会追加到当前月的分区内，那就会造成数据重复。所以不能直接使用append或者overwrite模式，那么该如何只覆盖当前月分区内的数据呢？

从Spark 2.3.0版本之后，Spark提供了一个参数:

spark.sql.sources.partitionOverwriteMode=STATIC //此参数默认为STATIC

官网对这个参数的解释：

当我们使用INSERT OVERWRITE语句向一个分区表插入数据时，支持两种模式：static和dynamic。在static模式下，Spark在覆盖写之前，会删除所有符合条件的分区，例如，分区表中有一个"2021-01"的分区，当使用INSERT OVERWRITE语句向表中写入"2021-02"这个分区的数据的时候，会把"2021-01"分区也覆盖掉。在dynamic模式下，Spark不会提前删除分区，而是在运行时覆盖那些有数据写入的分区。

解决方案

我们知道spark.sql.sources.partitionOverwriteMode参数的含义之后，就可以使用它的dynamic模式，在不影响其他分区数据的情况下，覆盖我们指定的分区的数据。

首先，我们要创建好分区表，并把历史数据导进去。例如，在Spark中可以这样写：

df.
        .withColumn("month", lit("2021-01"))
        .coalesce(1)
        .write.mode("append")
        .partitionBy("month")
        .format("parquet").saveAsTable("db.table")

之后，我们在覆盖当前月分区数据的时候，按照下面两步来编写代码：

//第一步
val spark = SparkSession
        .builder()
        .master("yarn")
        .appName("demo")
        .config("spark.sql.sources.partitionOverwriteMode", "DYNAMIC") //初始化SparkSession时配置此参数
        .enableHiveSupport()
        .getOrCreate()
...

//第二步
val currentMonth = LocalDate.now().toString.substring(0, 7)
df
        .withColumn("month", lit(currentMonth))
        .coalesce(1)
        .write.mode("overwrite") 
        //.partitionBy("month") //注意：如果要写入数据的表已经是分区表了，insert语句是不允许再指定partitionBy()的
        .format("parquet").insertInto("db.table") //注意：这里是insertInto()

参考

• https://spark.apache.org/docs/latest/configuration.html