火花不同的输入/输出目录大小（对于相同的数据）

Question

为了减少NameNode分配的块数。我正在尝试将一些小文件连接到 128MB 文件。这些小文件是gz格式的，128MB的文件也必须是gz格式的。

为此，我得到所有小文件的总大小，并将这个总大小（以 MB 为单位）除以 128 得到我需要的文件数。

然后我执行rdd.repartition(nbFiles).saveAsTextFile(PATH,classOf[GzipCodec])

问题是我的输出目录大小比我的输入目录大小大（高出 10%）。我使用默认和最佳压缩级别进行了测试，我总是得到更高的输出大小。

我不知道为什么我的输出目录比输入目录高，但我想这与我正在重新分区输入目录的所有文件有关。

有人可以帮我理解为什么我会得到这个结果吗？

谢谢:)

Answer 1

压缩级别取决于数据分布。当您rdd.repartition(nbFiles) 时，您会随机打乱所有数据，因此如果输入中有某种结构可以降低熵并启用更好的压缩，那么它将丢失。

您可以尝试其他方法，例如 colaesce 不进行随机播放或排序，看看是否可以获得更好的结果。