我有一个相当简单的工作将日志文件转换为镶木地板.它正在处理1.1TB的数据(分为64MB – 128MB文件 – 我们的块大小为128MB),大约有12000个文件.
工作如下:
val events = spark.sparkContext .textFile(s"$stream/$sourcetype") .map(_.split(" \\|\\| ").toList) .collect{case List(date,y,"Event") => MyEvent(date,"Event")} .toDF() df.write.mode(SaveMode.Append).partitionBy("date").parquet(s"$path")
它使用通用模式收集事件,转换为DataFrame,然后写出镶木地板.
我遇到的问题是,这会在HDFS集群上造成一些IO爆炸,因为它试图创建如此多的小文件.
理想情况下,我想在分区’date’中只创建一些镶木地板文件.
控制它的最佳方法是什么?是通过使用’coalesce()’吗?
解决方法
您必须重新分配DataFrame以匹配DataFrameWriter的分区
试试这个:
df .repartition($"date") .write.mode(SaveMode.Append) .partitionBy("date") .parquet(s"$path")
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。