大文件切分小文件

这篇博客介绍了一种使用Scala处理大文件的方法,将包含5千万条记录、涉及5000个用户的日志文件,按照用户ID拆分为5000个小文件,每个文件以其对应的用户ID命名。文中提供了相关的Scala代码示例,同时提到尝试通过Spark的压缩格式输出以及调整repartition和grouping来优化,但未观察到显著效果。

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

用户日志数量:5千万,用户数目5000

需求:按照用户id将文件拆分成5000个小文件,文件已用户id作为文件名称

scala代码如下:可以快速得出结果

package cn.cslc.sdwd.log_AH  
  
import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat  
import org.apache.log4j.{Level, Logger}  
import org.apache.spark.{HashPartitioner, SparkConf, SparkContext}  
  
/** 
  * 大文件拆分小文件 
  * 例如:用户行为日志:合计5千万条,用户数量5千,想要拆分为5000个以用户id为名字的文件 
  * @Author :LPJ 
  * @Date 2018/6/22 18:20 
  */  
  
//通过调用saveAsHadoopFile函数并自定义一个OutputFormat类  
class RDDMultipleTextOutputFormat extends MultipleTextOutputFormat[Any, Any] {  
  override def generateFileNameForKeyValue(key: Any, value: Any, name: String): String =  
    key.asInstanceOf[String]  
}  
object SplitBigFile {  
  
  def main(args: Array[String]): Unit = {  
    //设置日志打印级别  
    Logger.getLogger("org.apache.spark").setLevel(Level.WARN)  
评论
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