Hacktoberfest 2026: los issues que los mantenedores marcaron para octubre, abiertos y aptos para principiantes. Explorar issues de Hacktoberfest

[PIPELINES] Support partition transforms in SDP partition_cols

Abierto
  • ¿Algo no está bien?
#57,908 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Los mantenedores suelen responder en 2 días

@wilhelmagren ya está trabajando en esto.

Desde el 10/8/2026.

  • #57910 de @wilhelmagren — abierto

Evaluación

Dificultad
4/5
Tiempo estimado
3-5 días
Aptitud para principiantes
68/100
Tipo de issue
Nueva funcionalidad
Claridad
Bien especificado
Estado de actividad
Tranquilo
Stack tecnológico
python, scala, sql
Área
data-engineering, databases

Línea de trabajo

Comienza en DatasetManager.materializeTable, donde partition_cols actualmente se mapean mediante Expressions.identity. Lee la lógica de análisis existente de Catalyst utilizada para las transformaciones SQL PARTITIONED BY y, después, verifica el comportamiento para columnas simples, months(event_time) y bucket(16, user_id). Se considera terminado cuando las transformaciones de identidad se mantienen para los nombres de columna, mientras que la sintaxis de transformación compatible produce las transformaciones V2 correspondientes.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

spark=4.1.3
iceberg=1.11.0

Problem

SDP currently treats every entry in partition_cols as an identity partition transform.

for example

@dp.materialized_view(partition_cols=["months(event_time)"])
def events():
    ...

causes months(event_time) to be interpreted as a column name instead of a partition transform.

Behaviour comes from DatasetManager.materializeTable where all partition cols are converted using identity

table.partitionCols.toSeq.flatten.map(Expressions.identity)

and as a result using the above partition col it just becomes identity('months(event_time)').

Expected behaviour

SDP should support the same partition transforms that Spark SQL already supports

Bare col-names (partition_col=["event_date"]) should continue producing identity(event_date)
but partition transforms should be respected, and combining partitions like

partition_cols=["country", "bucket(16, user_id)"]

should produce its corresponding V2 partition transforms.

Existing SQL support

Catalyst parses partition transform syntax for SQL PARTITIONED BY and creates corresponding V2 Transform

SDP should just reuse the existing Catalyst parsing logic and not short-circuit everything to identity transform.

Lenguaje dominante
Scala
Estrellas
44.3k
Forks
29.5k
Merge medio
8 h 43 min
PR fusionados (30 d)
1

Preparar el entorno

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de apache/spark

Todos los issues de apache/spark

Issues similares

Más issues de Scala

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.