hive on spark 解决分区表目录下多个空文件

现象 datax执行hdfsreader->mysqlwriter的时候发现

 2w+task 然后oom。

首先思考下为啥又2w+task，说明有2w+文件，未免也太多了

检查hdfs目录

 分区/子分区/1000个文件 

为什么会有这么多分区呢？

按道理spark 会自动merge小文件的，为啥没有merge呢？以前我都测试是ok的呀

set hive.merge.size.per.task=268435456;
set hive.merge.sparkfiles=true;

猜测：

1.spark merge 对分区表不起作用？

2.spark merge 对空文件不起作用。

上述就是空文件，暂时不测试了。有时间的时候更新下。本来想着下次更新，但是想了下，问题也不复杂，继续研究下。

我发现其余分区的数据

查看他们的目录都很正常。

 但是那些分区数据为空的就不正常了

 说明了啥，spark.merge 是针对非空文件去merge的或者说这个参数起效，一个目录下必须有一个非空文件，我这几个目录都是1000个空文件，所以根本不merge。

主要来说明怎么解决空文件过多的问题

也很简单，我们知道生成文件的个数=task的数量

直接set mapreduce.job.reduces=10 

最后结果也ok 10个空文件比1000个能够接收。

 但是这样也会有一定的问题，reduce只有10个速度效率会有所下降