作者:水妖精Fairy | 来源:互联网 | 2023-08-23 14:09
一、需求背景App端的埋点日志通过LogerServer收集到Kafka,再用Flink写入到HDFS,按天或天加小时分区,文件格式为text或者Parquet,Checkpoin
一、需求背景
App端的埋点日志通过LogerServer收集到Kafka,再用Flink写入到HDFS,按天或天加小时分区,文件格式为text 或者Parquet,Checkpoint间隔为5分钟,Sink 并行度为10,每个小时产生600个小文件,由于数据量大,每天几十亿的数据,产生的小文件很多,Namenode压力大,影响Hive Sql & Spark Sql的查询性能。定期对HDFS小文件合并成为迫切的问题,也是数据治理的重点。开始尝试使用Hive Job定期合并小文件,带来的问题是占用资源多,执行时间长,后面改用Spark Job定期合并,效率有明显提升。
二、Spark定期合并Hive表小文件Spark代码实现
object MergeFile {
def main(args: Array[String]): Unit = {
val jobName = args(0) // 任务名
val tableName = args(1) // hive表名
val format = args(2).toInt // 1 text格式 && 2 parquet格式
val pa = args(3).toInt // 并发
val dt_str = args(4)
val dt = args(5) // 分区天 开始dt
val last = args(6) // 截止dt
val hour_str = args(7)
val hour = args(8) // 分区小时
val spark = SparkSession
.builder()
.config("spark.seriailzer", "org.apache.spark.serializer.KryoSerializer")
.appName(jobName + "_MergeFile" + dt)
.master("yarn")
.enableHiveSupport
.getOrCreate
val db = tableName.split("[.]")(0) + ".db"
val orgTableName = tableName.split("[.]")(1)
// 天+小时分区
if (!hour_str.equals("null")) {
// 原表导入到文件
val df: DataFrame = spark.sql(s"select * from ${tableName} where ${dt_str}=${dt} and `${hour_str}`= ${hour} ")
val origin_table_path = s"hdfs://emr-cluster/user/hive/warehouse/${db}/${orgTableName}/ ${dt_str}=$dt/hour=$hour"
if (format == 1) {
// text格式文件
val text_path = s"hdfs://emr-cluster/user/hive/warehouse/temp.db/${jobName}/${dt_str}=${dt}/${hour_str}=${hour}"
df.rdd.map(_.mkString("\001")).coalesce(pa).saveAsTextFile(text_path)
// 文件导入覆盖原表
spark.read.textFile(text_path).write.mode(SaveMode.Overwrite).save(origin_table_path)
} else {
// parquet格式文件
val parquet_path = s"hdfs://emr-cluster/user/hive/warehouse/temp.db/${jobName}/${dt_str}=${dt}/${hour_str}=${hour}"
df.coalesce(pa).write.mode(SaveMode.Overwrite).parquet(parquet_path)
// 文件导入覆盖原表
spark.read.parquet(parquet_path).write.mode(SaveMode.Overwrite).save(origin_table_path)
}
} else {
// 原表导入到文件
val df: DataFrame = spark.sql(s"select * from ${tableName} where dt=${dt} ")
val origin_table_path = s"hdfs://emr-cluster/user/hive/warehouse/${db}/${orgTableName}/${dt_str}=${dt}"
if (format == 1) {
// text格式文件
val text_path = s"hdfs://emr-cluster/user/hive/warehouse/temp.db/${jobName}/${dt_str}=${dt}"
df.rdd.map(_.mkString("\001")).coalesce(pa).saveAsTextFile(text_path)
// 文件导入覆盖原表
spark.read.textFile(text_path).write.mode(SaveMode.Overwrite).save(origin_table_path)
} else {
// parquet格式文件
val parquet_path = s"hdfs://emr-cluster/user/hive/warehouse/temp.db/${jobName}/${dt_str}=${dt}"
df.coalesce(pa).write.mode(SaveMode.Overwrite).parquet(parquet_path)
val aa = spark.read.parquet(parquet_path)
aa.show(10)
// 文件导入覆盖原表
spark.read.parquet(parquet_path).write.mode(SaveMode.Overwrite).save(origin_table_path)
}
}
spark.close()
}
}
三、定期执行合并Job
写个shell脚本传入所需参数,可设定任意的分区开始日期和结束日期,灵活合并Hive表的分区文件。