用户日志数量:5千万,用户数目5000
需求:按照用户id将文件拆分成5000个小文件,文件已用户id作为文件名称
scala代码如下:可以快速得出结果
package cn.cslc.sdwd.log_AH
import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat
import org.apache.log4j.{Level, Logger}
import org.apache.spark.{HashPartitioner, SparkConf, SparkContext}
/**
* 大文件拆分小文件
* 例如:用户行为日志:合计5千万条,用户数量5千,想要拆分为5000个以用户id为名字的文件
* @Author :LPJ
* @Date 2018/6/22 18:20
*/
//通过调用saveAsHadoopFile函数并自定义一个OutputFormat类
class RDDMultipleTextOutputFormat extends MultipleTextOutputFormat[Any, Any] {
override def generateFileNameForKeyValue(key: Any, value: Any, name: String): String =
key.asInstanceOf[String]
}
object SplitBigFile {
def main(args: Array[String]): Unit = {
//设置日志打印级别
Logger.getLogger("org.apache.spark").setLevel(Level.WARN)
Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)