Spark：读入 .gz 和 .bz2 时的区别

Question

我平时用.gz在Spark中读写文件，文件数应该和RDD分区数一样。 IE。一个巨大的 .gz 文件将读入单个分区。但是，如果我读取一个单独的 .bz2，我还会得到一个单独的巨型分区吗？或者 Spark 会支持自动拆分一个 .bz2 到多个分区吗？

此外，当 Hadoop 从一个 bz2 文件读入时，我如何知道它有多少个分区。谢谢！

Answer 1

    However, if I read in one single .bz2, would I still get one single giant partition?   
Or will Spark support automatic split one .bz2 to multiple partitions?

如果您指定 n 个分区来读取 bzip2 个文件，Spark 将生成 n 个任务来并行读取文件。 n 的默认值设置为 sc.defaultParallelism。分区数是 textFile (docs).

调用中的第二个参数

. one giant .gz file will read in to a single partition.

请注意，您可以随时执行

sc.textFile(myGiantGzipFile).repartition(desiredNumberOfPartitions)

读取文件后获得所需的分区数。

Also, how do I know how many partitions it would be while Hadoop read in it from one bz2 file.

对于 Scala yourRDD.partitions.size api 或 yourRDD.getNumPartitions() 对于 python api。

Answer 2

我不知道为什么我的测试程序运行在一个执行器上，经过一些测试我想我明白了，就像那样：

来自 pySpark

// Load a DataFrame of users. Each line in the file is a JSON 

// document, representing one row.

val sqlContext = new org.apache.spark.sql.SQLContext(sc)

val user = sqlContext.read.json("users.json.bz2")

Spark：读入 .gz 和 .bz2 时的区别

Spark: difference when read in .gz and .bz2

gzip

apache-spark

rdd

bz2