有什么好的办法可以用 Flink/Spark 高效率并行处理大量大小不一的压缩数据
ysn2233 · 2020-03-11 13:30:18 +08:00 · 2991 次点击这是一个创建于 1749 天前的主题，其中的信息可能已经有所发展或是发生改变。
数据格式都是 gzip 压缩，都没法切分，只能一个线程读一个文件，很多时候小文件早就处理完了，但大文件会非常慢。有没有什么好的办法可以让 gzip 变得 splittable
2 条回复 • 2020-03-12 09:33:25 +08:00
 |
1
alya 2020-03-11 15:13:13 +08:00
换 snappy
|
 |
2
kex0916 2020-03-12 09:33:25 +08:00
可以先将大文件解压缩后放到 hdfs 上后再做计算，或者可以试试 https://github.com/nielsbasjes/splittablegzip 这种
|
Select Language