从多个火花工人以镶木地板格式保存答案

【问题标题】：Saving in parquet format from multiple spark workers从多个火花工人以镶木地板格式保存
【发布时间】：2015-10-01 21:56:57
【问题描述】：

我有一份工作需要以 parquet/avro 格式保存所有工作节点的结果。我可以为每个单独的分区创建一个单独的 parquet 文件并将所有生成的文件作为一个表读取吗？或者有没有更好的方法来解决这个问题？输入分为 96 个分区，结果需要保存在 HDFS 上。当我尝试将其保存为文件时，它创建了超过一百万个小文件。

【问题讨论】：

标签： apache-spark hadoop-yarn parquet

【解决方案1】：

您可以在调用write 之前对所需数量的分区执行repartition（或coalesce，如果您总是想要更少的分区）。然后，您的数据将被写入相同数量的文件中。当您想读入数据时，您只需指向包含文件的文件夹而不是特定文件。像这样：

sqlContext.read.parquet("s3://my-bucket/path/to/files/")

【讨论】：

它不在 RDD 中。需要从 JAVA 本身中保存。
因为它是一个映射的 RDD 重新分区删除了很多数据。因此，现在我们将 RDD 转换为 Dataframe，然后将其合并为 3。
嗯...首先，映射的 RDD 仍然是 RDD。其次，调用repartition 不会删除任何数据，它只会将数据随机排列到所需数量的分区中。第三，您确实可以使用coalesce 而不是repartition（我已经用这个更新了我的答案）。