如何并行处理数据但将结果写入 Spark 中的单个文件

Question

我有一份 Spark 工作：

• 从 hdfs 读取数据
• 进行一些密集的转换没有洗牌和聚合（仅映射操作）
• 将结果写回 hdfs

假设我有 10GB 的原始数据（40 个块 = 40 个输入分区），这会产生 100MB 的处理数据。为了避免在 hdfs 中生成许多小文件，我使用“coalesce(1)”语句来编写带有结果的单个文件。 这样做我只运行了 1 个任务（因为“coalesce(1)”并且没有洗牌），它在一个线程中处理所有 10GB。

有没有办法在 40 个并行任务中进行实际的密集处理，并在写入磁盘之前减少分区数量并避免数据混洗？

我有一个可能可行的想法 - 在所有处理后将数据帧缓存在内存中（进行计数以强制 Spark 缓存数据），然后放入“coalesce(1)”并将数据帧写入磁盘

Answer 1

文档清楚地警告了这种行为并提供了解决方案：

但是，如果您要进行剧烈的合并，例如对于 numPartitions = 1，这可能会导致您在比您喜欢的更少的节点上进行计算（例如，在 numPartitions = 1 的情况下为一个节点）。为避免这种情况，您可以调用 repartition。这将添加一个 shuffle 步骤，但意味着当前的上游分区将并行执行（无论当前分区是什么）。

所以改为

coalesce(1)

你可以试试

repartition(1)