spark 实现HDFS小文件合并

spark 实现HDFS小文件合并

一、首先使用sparksql读取需要合并的数据。当然有两种情况，

　　一种是读取全部数据，即需要合并所有小文件。

　　第二种是合并部分数据，比如只查询某一天的数据，只合并某一个天分区下的小文件。

val df: Dataframe = spark.sql("sql")

二、将读取到的数据写入临时文件中。此处需注意使用coalesce方法对文件进行合并。

df.coalesce(1).write.mode(SaveMode.Overwrite).parquet(temp_path)

三、将临时文件写入待合并文件的目录，并采用Overwrite的方式。

spark.read.parquet(tmp_path).write.mode(SaveMode.Overwrite).save(origin_table_path)

参考以下文章，感谢分享：https://www.cnblogs.com/zfwwdz/p/13154995.html