Spark SQL合并小文件的一种方法

博客指出Spark SQL默认shuffle分区为200个,数据量小时写HDFS会产生200个小文件。给出解决方法,启用Adaptive Execution以启用自动设置Shuffle Reducer特性,还可设置每个Reducer读取的目标数据量,单位为字节,一般改成集群块大小。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

小文件问题原因:

spark.sql.shuffle.partitions=200  spark sql默认shuffle分区是200个,如果数据量比较小时,写hdfs时会产生200个小文件。可通过如下调整,使其自适应的合并小文件(本人测试环境从原来的200个小文件合并成一个文件)

 

解决方法:

spark-sql> set spark.sql.adaptive.enabled=true;     启用 Adaptive Execution ,从而启用自动设置 Shuffle Reducer 特性

spark-sql> set spark.sql.adaptive.shuffle.targetPostShuffleInputSize=128000000;    设置每个 Reducer 读取的目标数据量,其单位是字节。默认64M,一般改成集群块大小

评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值