如何处理 Spark 结构化流中的小文件问题？

Question

我的项目中有一个场景，我正在使用 spark-sql-2.4.1 版本阅读 kafka 主题消息。我能够使用结构化流处理这一天。收到数据并处理后，我需要将数据保存到 hdfs 存储中的相应 parquet 文件中。

我能够存储和读取 parquet 文件，我将触发时间保持在 15 秒到 1 分钟之间。这些文件的大小非常小，因此会产生很多文件。

这些 parquet 文件需要稍后由 hive 查询读取。

所以 1）这个策略在生产环境中有效吗？还是会导致以后出现小文件问题？

2) 处理/设计这种场景（即行业标准）的最佳做法是什么？

3) 这些事情在生产环境中一般是如何处理的？

谢谢。

Answer 1

我们也遇到了类似的问题。经过大量的谷歌搜索，似乎普遍接受的方式是编写另一个作业，该作业经常聚合许多小文件，并将它们写入更大的合并文件中的其他地方。这就是我们现在所做的。

顺便说一句：无论如何，您在这里可以做的事情是有限制的，因为您拥有的并行性越多，文件的数量就越多，因为每个执行程序线程都写入自己的文件。他们从不写入共享文件。这似乎是并行处理的野兽的本质。

Answer 2

我知道这个问题太老了。我遇到了类似的问题，我使用 spark 结构化流式查询侦听器来解决这个问题。

我的用例是从 kafka 获取数据并以年、月、日和小时分区存储在 hdfs 中。

以下代码将获取前一小时的分区数据，应用重新分区并覆盖现有分区中的数据。

val session = SparkSession.builder().master("local[2]").enableHiveSupport().getOrCreate()
session.streams.addListener(AppListener(config,session))

class AppListener(config: Config,spark: SparkSession) extends StreamingQueryListener {
  override def onQueryStarted(event: StreamingQueryListener.QueryStartedEvent): Unit = {}
  override def onQueryProgress(event: StreamingQueryListener.QueryProgressEvent): Unit = {
    this.synchronized {AppListener.mergeFiles(event.progress.timestamp,spark,config)}
  }
  override def onQueryTerminated(event: StreamingQueryListener.QueryTerminatedEvent): Unit = {}
}

object AppListener {

  def mergeFiles(currentTs: String,spark: SparkSession,config:Config):Unit = {
    val configs = config.kafka(config.key.get)
    if(currentTs.datetime.isAfter(Processed.ts.plusMinutes(5))) {

      println(
        s"""
           |Current Timestamp     :     ${currentTs}
           |Merge Files           :     ${Processed.ts.minusHours(1)}
           |
           |""".stripMargin)

      val fs = FileSystem.get(spark.sparkContext.hadoopConfiguration)
      val ts = Processed.ts.minusHours(1)
      val hdfsPath = s"${configs.hdfsLocation}/year=${ts.getYear}/month=${ts.getMonthOfYear}/day=${ts.getDayOfMonth}/hour=${ts.getHourOfDay}"
      val path = new Path(hdfsPath)

      if(fs.exists(path)) {

      val hdfsFiles = fs.listLocatedStatus(path)
        .filter(lfs => lfs.isFile && !lfs.getPath.getName.contains("_SUCCESS"))
        .map(_.getPath).toList

      println(
        s"""
           |Total files in HDFS location  : ${hdfsFiles.length}
           | ${hdfsFiles.length > 1}
           |""".stripMargin)

      if(hdfsFiles.length > 1) {

          println(
            s"""
               |Merge Small Files
               |==============================================
               |HDFS Path             : ${hdfsPath}
               |Total Available files : ${hdfsFiles.length}
               |Status                : Running
               |
               |""".stripMargin)

          val df = spark.read.format(configs.writeFormat).load(hdfsPath).cache()
          df.repartition(1)
            .write
            .format(configs.writeFormat)
            .mode("overwrite")
            .save(s"/tmp${hdfsPath}")

          df.cache().unpersist()

        spark
          .read
          .format(configs.writeFormat)
          .load(s"/tmp${hdfsPath}")
          .write
          .format(configs.writeFormat)
          .mode("overwrite")
          .save(hdfsPath)

          Processed.ts = Processed.ts.plusHours(1).toDateTime("yyyy-MM-dd'T'HH:00:00")
          println(
            s"""
               |Merge Small Files
               |==============================================
               |HDFS Path             : ${hdfsPath}
               |Total files           : ${hdfsFiles.length}
               |Status                : Completed
               |
               |""".stripMargin)
        }
      }
    }
  }
  def apply(config: Config,spark: SparkSession): AppListener = new AppListener(config,spark)
}

object Processed {
  var ts: DateTime = DateTime.now(DateTimeZone.forID("UTC")).toDateTime("yyyy-MM-dd'T'HH:00:00")
}

有时数据很大，我使用以下逻辑将数据分成多个文件。文件大小约为 160 MB

val bytes = spark.sessionState.executePlan(df.queryExecution.logical).optimizedPlan.stats(spark.sessionState.conf).sizeInBytes
    val dataSize = bytes.toLong
    val numPartitions = (bytes.toLong./(1024.0)./(1024.0)./(10240)).ceil.toInt

    df.repartition(if(numPartitions == 0) 1 else numPartitions)
      .[...]

编辑-1

使用这个 - spark.sessionState.executePlan(df.queryExecution.logical).optimizedPlan.stats(spark.sessionState.conf).sizeInBytes 我们可以在加载到内存后获取实际数据帧的大小，例如，您可以检查下面的代码。

scala> val df = spark.read.format("orc").load("/tmp/srinivas/")
df: org.apache.spark.sql.DataFrame = [channelGrouping: string, clientId: string ... 75 more fields]

scala> import org.apache.commons.io.FileUtils
import org.apache.commons.io.FileUtils

scala> val bytes = spark.sessionState.executePlan(df.queryExecution.logical).optimizedPlan.stats(spark.sessionState.conf).sizeInBytes
bytes: BigInt = 763275709

scala> FileUtils.byteCountToDisplaySize(bytes.toLong)
res5: String = 727 MB

scala> import sys.process._
import sys.process._

scala> "hdfs dfs -ls -h /tmp/srinivas/".!
Found 2 items
-rw-r-----   3 svcmxns hdfs          0 2020-04-20 01:46 /tmp/srinivas/_SUCCESS
-rw-r-----   3 svcmxns hdfs    727.4 M 2020-04-20 01:46 /tmp/srinivas/part-00000-9d0b72ea-f617-4092-ae27-d36400c17917-c000.snappy.orc
res6: Int = 0

Answer 3

这是火花流的常见问题，没有任何固定答案。 我采用了一种基于附加思想的非常规方法。 当您使用 spark 2.4.1 时，此解决方案会有所帮助。

因此，如果在 parquet 或 orc 等列文件格式中支持追加，它会更容易，因为新数据可以追加到同一个文件中，并且在每个微批处理之后文件大小会变得越来越大。 但是，由于它不受支持，因此我采用了版本控制方法来实现这一点。在每个微批处理之后，都会生成带有版本分区的数据。 例如

/prod/mobility/cdr_data/date=01–01–2010/version=12345/file1.parquet
/prod/mobility/cdr_data/date=01–01–2010/version=23456/file1.parquet

我们可以做的是，在每个微批次中，读取旧版本数据，将其与新的流数据合并，然后在与新版本相同的路径上再次写入。然后，删除旧版本。这样每次微批处理后，每个分区都会有一个版本和一个文件。每个分区中的文件大小将不断增长并变得更大。

由于流数据集和静态数据集不允许合并，我们可以使用 forEachBatch sink（在 spark >=2.4.0 中可用）将流数据集转换为静态数据集。

我已经在链接中描述了如何以最佳方式实现这一目标。你可能想看看。 https://medium.com/@kumar.rahul.nitk/solving-small-file-problem-in-spark-structured-streaming-a-versioning-approach-73a0153a0a