小文件问题原因:
spark.sql.shuffle.partitions=200 spark sql默认shuffle分区是200个,如果数据量比较小时,写hdfs时会产生200个小文件。可通过如下调整,使其自适应的合并小文件(本人测试环境从原来的200个小文件合并成一个文件)
解决方法:
spark-sql> set spark.sql.adaptive.enabled=true; 启用 Adaptive Execution ,从而启用自动设置 Shuffle Reducer 特性
spark-sql> set spark.sql.adaptive.shuffle.targetPostShuffleInputSize=128000000; 设置每个 Reducer 读取的目标数据量,其单位是字节。默认64M,一般改成集群块大小