AkSourceBatchOp/StreamOp、CsvSourceBatchOp/StreamOp、ParquetSourceBatchOp/StreamOp等批式或流式数据源组件，都支持选择分区读取数据。
分区目录名格式为"分区名=值"，例如： month=06/day=17;month=06/day=18。Alink将遍历目录下的分区名和分区值，构造分区表：
month | day |
06 | 17 |
06 | 18 |
使用SQL语句查找分区，例如：AkSourceBatchOp.setPartitions("day = '17'")，分区选择语法参考《Flink SQL 内置函数》，分区值为String类型。
上节的最后，使用Export2FileSinkStreamOp组件生成了分区数据；本节将以AkSourceBatchOp/StreamOp为例，演示选择分区数据进行读取。
下面的例子中，我们先读取整个根文件夹的数据，随后，通过设置参数Partitions，选择不同的分区。"year='1997'"表示选择年份为1997的数据；使用更复杂的表达式"year='1997' AND month>='10'"，表示1997年中月份数大于10的月份，即选择1997年的最后3个月。具体代码如下：
new AkSourceBatchOp()
.setFilePath(LOCAL_DIR + "data_with_partitions")
.lazyPrintStatistics("Statistics for data in the folder 'data_with_partitions' : ");
new AkSourceBatchOp()
.setFilePath(LOCAL_DIR + "data_with_partitions")
.setPartitions("year='1997'")
.lazyPrintStatistics("Statistics for data of year=1997 : ");
new AkSourceBatchOp()
.setFilePath(LOCAL_DIR + "data_with_partitions")
.setPartitions("year='1997' AND month>='10'")
.lazyPrintStatistics("Statistics for data of year 1997's last 3 months : ");
BatchOperator.execute();输入各个数据集的统计结果如下，整个数据集有10000条记录；1997年的数据有52604条记录；1997年后三个月的数据有46493条记录。有的读者可能会有疑问，为什么后三个月的数据占据了绝大多数？因为数据集的记录是从9月份开始的。
Statistics for data in the folder 'data_with_partitions' : Summary: |colName| count|missing| sum| mean| variance|min| max| |-------|------|-------|--------|--------|-----------|---|----| |user_id|100000| 0|46248475|462.4848| 71083.249| 1| 943| |item_id|100000| 0|42553013|425.5301|109427.5525| 1|1682| | rating|100000| 0| 352986| 3.5299| 1.2671| 1| 5| | ts|100000| 0| NaN| NaN| NaN|NaN| NaN| Statistics for data of year=1997 : Summary: |colName|count|missing| sum| mean| variance|min| max| |-------|-----|-------|--------|--------|-----------|---|----| |user_id|52604| 0|24228648|460.5857| 73330.1483| 1| 943| |item_id|52604| 0|21680120|412.1382|106729.2902| 1|1682| | rating|52604| 0| 187718| 3.5685| 1.2213| 1| 5| | ts|52604| 0| NaN| NaN| NaN|NaN| NaN| Statistics for data of year 1997's last 3 months : Summary: |colName|count|missing| sum| mean| variance|min| max| |-------|-----|-------|--------|--------|-----------|---|----| |user_id|46493| 0|21567932|463.8963| 72816.402| 1| 939| |item_id|46493| 0|19225958|413.5237|106324.0118| 1|1682| | rating|46493| 0| 166044| 3.5714| 1.2245| 1| 5| | ts|46493| 0| NaN| NaN| NaN|NaN| NaN|
我们还可以使用更多的方式来选择分区，譬如："day LIKE '3_'"表示第一位为字符“3”，第二位可以为任意的字符；"day LIKE '%3%'"表示字符串中要包含字符“3”。完整示例代码如下：
new AkSourceBatchOp()
.setFilePath(LOCAL_DIR + "data_with_partitions")
.setPartitions("day LIKE '3_'")
.lazyPrint(10, ">>> day LIKE '3_'");
new AkSourceBatchOp()
.setFilePath(LOCAL_DIR + "data_with_partitions")
.setPartitions("day LIKE '%3%'")
.print(10, ">>> day LIKE '%3%'");运行结果如下，结果数据满足我们的预期。
>>> day LIKE '3_' user_id|item_id|rating|ts -------|-------|------|--- 51|496|4.0000|1997-12-31 00:17:35.0 51|182|3.0000|1997-12-31 00:19:50.0 443|313|4.0000|1997-12-31 01:56:04.0 443|948|1.0000|1997-12-31 02:00:44.0 149|333|1.0000|1997-12-31 04:09:51.0 149|310|2.0000|1997-12-31 04:11:29.0 149|325|2.0000|1997-12-31 04:13:54.0 705|97|3.0000|1997-12-31 05:52:45.0 705|193|3.0000|1997-12-31 05:55:03.0 185|939|3.0000|1997-12-31 07:24:09.0 >>> day LIKE '%3%' user_id|item_id|rating|ts -------|-------|------|--- 322|751|2.0000|1998-02-13 04:00:11.0 322|655|5.0000|1998-02-13 04:05:46.0 322|508|4.0000|1998-02-13 04:07:53.0 322|318|4.0000|1998-02-13 04:11:20.0 322|50|5.0000|1998-02-13 04:13:38.0 254|126|3.0000|1998-02-13 13:22:30.0 322|346|3.0000|1998-02-13 04:00:11.0 322|234|4.0000|1998-02-13 04:04:53.0 322|1019|4.0000|1998-02-13 04:07:53.0 322|521|5.0000|1998-02-13 04:10:44.0
对于流式组件，参数Partitions的设置与批式组件相同。这里，我们只举一个简单的例子，使用AkSourceStreamOp组件，选择日期为1号和2号的数据，对应的表达式为："day IN('01', '02')"。具体代码如下：
new AkSourceStreamOp()
.setFilePath(LOCAL_DIR + "data_with_partitions")
.setPartitions("day IN('01', '02')")
.sample(0.001)
.print();
StreamOperator.execute();
运行结果如下，显示的数据都为1号或者2号的，也符合预期。
user_id|item_id|rating|ts -------|-------|------|--- 92|707|4.0000|1997-10-01 04:59:22.0 605|223|5.0000|1997-12-02 06:24:59.0 305|192|2.0000|1998-02-01 16:54:35.0 100|1237|3.0000|1998-04-01 04:20:30.0 215|168|5.0000|1998-04-01 21:07:04.0 37|568|3.0000|1997-12-01 02:52:22.0 548|539|2.0000|1998-04-01 15:20:57.0 643|117|3.0000|1998-04-01 23:50:23.0 146|294|1.0000|1998-04-02 03:07:48.0 782|343|2.0000|1998-04-02 14:33:41.0