如何控制从Spark DataFrame写入的输出文件的数量？
使用Spark streaming从Kafka主题读取Json数据
我使用DataFrame处理数据，稍后我希望将输出保存到HDFS文件。问题在于使用：
df.write.save("append").format("text")
产生许多文件，有些很大，有些甚至是0字节。
有没有办法控制输出文件的数量？此外，为了避免“相反”的问题，是否有办法也限制每个文件的大小，以便在当前达到一定大小/行数时写入新文件？
共有2个答案
您可以使用尺寸估计器：
import org.apache.spark.util.SizeEstimator
val size = SizeEstimator.estimate(df)
接下来，您可以根据数据帧的大小通过重复或合并来调整文件的数量
输出文件的数量等于数据集的分区数量，这意味着您可以根据上下文以多种方式对其进行控制：
- 对于没有广泛依赖关系的
数据集，您可以使用阅读器特定参数控制输入 - 对于具有广泛依赖关系的数据集，您可以使用
spark.sql.shuffle.partitions参数控制分区数量。 - 独立于血统，您可以
合并或重新分区。
是否有办法也限制每个文件的大小，以便在当前达到一定大小/行数时写入新文件？
不。对于内置编剧来说，这是严格的1:1关系。
-
问题内容： 我已尝试使用此代码建议（http://www.daniweb.com/forums/thread23883.html#）将控制台输出写入txt文件，但未成功。怎么了？ 问题答案： 你需要执行以下操作： 第二句话是关键。它将假定的“最终” 属性的值更改为提供的值。 可以使用类似的方法（和）来更改标准输入和错误流。有关详细信息，请参考。 上面的一个更通用的版本是这样的： 如果为is ，则流
-
有没有办法使用hadoop流作业将这20,000个文件合并到10,000个文件？或者，换句话说，有没有办法控制hadoop流式输出文件的数量？ 提前感谢！
-
问题内容： 我是python的新手，正在编写一些脚本来自动从FTP服务器等下载文件。我想显示下载进度，但是我希望它保持不变，例如： 输出： 正在下载文件FooFile.txt [47％] 我正在尝试避免这样的事情： 我应该怎么做呢？ 复制 ： 如何在命令行应用程序的当前行上打印？ 问题答案： 您还可以使用回车符：
-
所以我有一个Laravel控制器： 目前，我正在使用artisan（在引擎盖下运行PHP的内置开发Web服务器）运行应用程序： 我想将控制台消息记录到artisan进程的管道中。
-
使用火花流读取和处理来自Kafka的消息并写入HDFS-Hive。由于我希望避免创建许多垃圾文件系统的小文件，我想知道是否有办法确保最小的文件大小，和/或强制在文件中输出行数最少的能力，超时除外。谢谢。
-
问题内容： 我正在尝试在python中找到一种将脚本执行日志重定向到文件以及以pythonic方式的方法。有没有简单的方法可以做到这一点？ 问题答案： 我想出了这个[unested] 在python中将期望有一个函数。您可以使用具有此功能的自定义对象。否则，您也可以让sys.stdout引用您的对象，在这种情况下，即使没有，它也会被准备。