火花不同的输入/输出目录大小(对于相同的数据)
Posted
技术标签:
【中文标题】火花不同的输入/输出目录大小(对于相同的数据)【英文标题】:Spark not same input/ouput directory size (for same data) 【发布时间】:2017-03-24 10:20:32 【问题描述】: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:)
【问题讨论】:
文件数等于 nbFiles ? nbFiles 是我将在输出中生成的文件数,以具有 128MB 大小的文件。 (sumSize / 128 MB) 【参考方案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。
【讨论】:
以上是关于火花不同的输入/输出目录大小(对于相同的数据)的主要内容,如果未能解决你的问题,请参考以下文章
在 git 中使用 Windows 中具有相同名称但大小写不同的目录