Question

我在HDFS中有一个目录列表，每个目录包含几个文件。我的目标是将所有文件从一个目录合并到一个文件中，但将每个目录分别合并。什么是最快的方式来做到这一点？按顺序遍历所有目录太慢。所以我想同时做。一种解决方案可能是使用线程池。也许有一个更好，更快，更原生的人了？

谢谢！

Answer 1

请考虑以下包含以下文件的测试目录foo和bar：

cat /tmp/foo/0.csv
4
cat /tmp/foo/1.csv
3
cat /tmp/bar/0.csv
7

我们可以使用以下代码片段阅读它们：

val df = spark.read.csv("/tmp/foo", "/tmp/bar")
  .withColumn("dir", regexp_extract(input_file_name(), """([^/]*)/[^/]+\.csv$""", 1))
df.show()
/*
+---+---+
|_c0|dir|
+---+---+
|4  |foo|
|3  |foo|
|7  |bar|
+---+---+
*/

函数input_file_name给出了文件的绝对路径，因此我们可以使用它来获取目录。函数regexp_extract仅用于转换/tmp/foo/1.csv -> foo。

Spark写入文件时，每个分区输出一个文件。因此，我们需要按列dir重新分区以合并每个目录下的所有文件。最后，我们也可以使用partitionBy来获取输出文件结构的目录名称。例如

df.repartition($"dir")
  .write
  .partitionBy("dir")
  .csv("/tmp/out")

会产生文件

/tmp/out/._SUCCESS.crc
/tmp/out/dir=bar/.part-00067-d780b550-785f-416c-b090-8d93694ba65c.c000.csv.crc
/tmp/out/dir=bar/part-00067-d780b550-785f-416c-b090-8d93694ba65c.c000.csv
/tmp/out/_SUCCESS
/tmp/out/dir=foo/part-00110-d780b550-785f-416c-b090-8d93694ba65c.c000.csv
/tmp/out/dir=foo/.part-00110-d780b550-785f-416c-b090-8d93694ba65c.c000.csv.crc

/tmp/out/dir=bar/part-00067-d780b550-785f-416c-b090-8d93694ba65c.c000.csv所在的地方

和/tmp/out/dir=foo/part-00110-d780b550-785f-416c-b090-8d93694ba65c.c000.csv包含

4
3

AFAIK无法将这些输出文件写入与原始输入相同的目录结构，而无需例如具有自定义的Hadoop FileSystem类等。

分别在Spark中处理多个目录

1 个答案: