如何在SPARK数据框创建的文件夹中合并所有零件文件并在Scala中将其重命名为文件夹名称

Question

嗨，我有spark数据框的输出，该数据框创建了文件夹结构，并可能创建了零件文件。 现在，我必须合并文件夹中的所有零件文件，并将该文件重命名为文件夹路径名。

这是我做分区的方法

df.write.partitionBy("DataPartition","PartitionYear")
  .format("csv")
  .option("nullValue", "")
  .option("header", "true")/
  .option("codec", "gzip")
  .save("hdfs:///user/zeppelin/FinancialLineItem/output")

它创建这样的文件夹结构

hdfs:///user/zeppelin/FinancialLineItem/output/DataPartition=Japan/PartitionYear=1971/part-00001-87a61115-92c9-4926-a803-b46315e55a08.c000.csv.gz
hdfs:///user/zeppelin/FinancialLineItem/output/DataPartition=Japan/PartitionYear=1971/part-00002-87a61115-92c9-4926-a803-b46315e55a08.c001.csv.gz

我必须像这样创建最终文件

hdfs:///user/zeppelin/FinancialLineItem/output/Japan.1971.currenttime.csv.gz

此处位001和002的任何零件文件都未合并为两个。

我的数据大小非常大，有300 GB gzip和35 GB的压缩文件，所以coalesce(1) and repartition速度非常慢。

我在这里看到一种解决方案， 使用spark-csv编写单个CSV文件，但是我无法实现它，请帮助我。

分区抛出错误

error: value repartition is not a member of org.apache.spark.sql.DataFrameWriter[org.apache.spark.sql.Row]
       dfMainOutputFinalWithoutNull.write.repartition("DataPartition","StatementTypeCode")

Answer 1

从Spark外部的头节点尝试...

hdfs dfs -getmerge <src> <localdst>

https://hadoop.apache.org/docs/r1.2.1/file_system_shell.html#getmerge

“将源目录和目标文件作为输入，并将src中的文件连接到目标本地文件中。可以选择将addnl设置为启用，以在每个文件的末尾添加换行符。”