Spark SQL合并小文件

一、问题描述

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)

二、解决方案

启用 Adaptive Execution ，从而启用自动设置 Shuffle Reducer 特性

set spark.sql.adaptive.enabled=true;

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

set spark.sql.adaptive.shuffle.targetPostShuffleInputSize=128000000;