Spark Streaming的优化.小文件
小文件的处理
方式:1)增加batch的大小
2)coalesce
3)外部处理
4)调用foreach进行追加
增加batch的大小
原理:batch越大,从外部接收的event就越多,内存积累的数据也就越多,那么输出的文件数也就回变少
适用:消息实时到达,但不想挤压在一起处理
coalesce
优点:可以在最终要输出的时候,来减少partition个数
缺点:一个batch的处理时延必定增长,batch挤压会逐渐增大
外部处理
原理:在Spark Streaming外再启动定时的批处理任务来合并Spark Streaming产生的小文件
特点:批处理的合并任务在时间切割上要把握好,否则就可能回去合并一个还在写入的Spark Streaming小文件
调用foreach进行追加
原理:Spark Streaming提供的foreach这个outout类API,可以自定义输出计算结果的方法。可以利用这个特性,每个batch在要写文件时,并不是去生成一个新的文件流,而是把之前的文件打开
特点:不能无限制的追加,当判断一个文件已经达到某一个阈值时,就要产生一个新的文件进行追加了