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

2020-03-11 13:30:18 +08:00
 ysn2233

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

2989 次点击
所在节点    Hadoop
2 条回复
alya
2020-03-11 15:13:13 +08:00
换 snappy
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

这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/651838

V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX