hive上的小文件使用spark进行合并

hive上的小文件使用spark进行合并

引言：我们的一些实时处理的文件再不同批次下生成的文件大小不一致，
有时会产生大量的小文件，对于我们后期的数据处理影响极大，因此需要将小文件合并再save成大小均为128M的文件更为合适。
原理：首先读取该目录下的文件大小，通过计算整个文件夹所占的空间去利用spark有多少个分区就会生成几个文件夹的特性去调整写入的分区个数。

首先先读取文件的大小：利用hdfs自带的文件管理系统去读取。
fs = FileSystem.get(sc.hadoopConfiguration)

 val fs = FileSystem.get(sc.hadoopConfiguration)
      val dirSize = fs.getContentSummary(new Path(lastInputPath)).getLength

然后计算重新合并后应该生成的文件个数：
((dirSize / (blockSize * 1024 * 1024)) + 1).toInt

 val fileNum: Int = ((dirSize / (blockSize * 1024 * 1024)) + 1).toInt

再读取所有文件，重新分区，保存即可！
.repartition！！！

  spark.read.parquet(lastInputPath + "/*").repartition(fileNum).write.mode(SaveMode.Overwrite).parquet(lastOutputPath)

（小编这里用的是parquet的方式读写的。另外你们在用的时候切记压缩格式，不然生成的文件大小将会不一致！）
入口设置压缩格式：

spark.conf.set("spark.sql.parquet.compression.codec", "gzip")