V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
ysn2233
V2EX  ›  Hadoop

Hadoop 读取 10 万个文件初始化过程很慢有方便的解决办法么?

  •  
  •   ysn2233 · 2020-08-21 20:56:40 +08:00 · 2917 次点击
    这是一个创建于 1553 天前的主题,其中的信息可能已经有所发展或是发生改变。

    我是用 Flink 的 DataSet API 去读取文件,用的 Hadoop Compatability 里 Hadoop 的 FileInputFormat,发现在创建分片的 getSplits()方法里,会去遍历每一个文件获取 block locations,有 10 万个文件的话就得发 10 万次请求,所以任务初始化非常慢,请问一下有什么好的解决办法么?

    4 条回复    2020-08-24 17:15:43 +08:00
    liprais
        1
    liprais  
       2020-08-21 21:26:02 +08:00 via iPhone
    合并小文件呗
    billlee
        2
    billlee  
       2020-08-21 22:28:01 +08:00
    HDFS 本来就不适合存小文件
    ysn2233
        3
    ysn2233  
    OP
       2020-08-21 23:10:01 +08:00
    @billlee 文件也不小但是多,但是初始化慢就是一个循环对每个文件都要去发次 rpc 请求获取一个文件的 block 位置,如果能只发一次请求返回所有相关文件的位置信息感觉就快很多。
    kex0916
        4
    kex0916  
       2020-08-24 17:15:43 +08:00
    把文件合并下,或者把读取文件过程拆分成多个任务跑,最后再 union 起来
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   1088 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 23ms · UTC 18:51 · PVG 02:51 · LAX 10:51 · JFK 13:51
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.