工具类--hdfs小文件合并

package cn.ac.iie

import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.{FileStatus, Path}
import org.apache.spark.sql.SparkSession

object MergerFile {

  def main(args: Array[String]): Unit = {
    val spark: SparkSession = SparkSession
      .builder()
      .appName("mergeFile")
      .enableHiveSupport()
      .getOrCreate()
    var timestamp = System.currentTimeMillis().toString

    val target = args(0) //待合并的文件夹
    val configuration = new Configuration()
    val output = new Path(target)
    val hdfs = output.getFileSystem(configuration)
    val status = hdfs.listStatus(output);
    var files: List[FileStatus] = List.empty
    var paths: List[String] = List.empty //文件名字符串
    var length = 0l //所有文件的大小
    for (fs <- status) {
      if (fs.getLen == 0) { //大小为0直接删除
        hdfs.delete(fs.getPath, true)
      }
      if (fs.getLen() < 234217728) { 
        // 如果块大小<100M(128M=134217728,选择234217728的原因是原文件未经过snappy压缩,输出是压缩的,所以适当放大了阈值)
        paths :+= fs.getPath.toString
        length += fs.getLen
      }
    }
    val mergeFilesCount = (length / 1024 / 1024 / 128 / 3 + 1).toInt //合并后文件的个数
    var mergeFiles = spark.read.load(paths: _*).repartition(mergeFilesCount) //128M一个
    mergeFiles.write.parquet(s"$target/.TMP")
    val resStatus = hdfs.listStatus(new Path(s"$target/.TMP"))
    //移动结果文件
    for (fs <- resStatus) {
      if (fs.getLen > 0) { //排除spark自动生成的_success文件
        hdfs.rename(fs.getPath, output)
      }
    }
    print(s"merge ${paths.size} files => $mergeFilesCount files")
    //删除临时目录
    hdfs.delete(new Path(s"$target/.TMP"), true)
    //删除原小文件
    for (fs <- paths) {
      hdfs.delete(new Path(fs), true)
    }
    
  }

}
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值