如何避免在保存 DataFrame 时生成 crc 文件和 SUCCESS 文件？

Question

我正在使用以下代码将 spark DataFrame 保存到 JSON 文件

unzipJSON.write.mode("append").json("/home/eranw/Workspace/JSON/output/unCompressedJson.json")

输出结果为：

part-r-00000-704b5725-15ea-4705-b347-285a4b0e7fd8
.part-r-00000-704b5725-15ea-4705-b347-285a4b0e7fd8.crc
part-r-00001-704b5725-15ea-4705-b347-285a4b0e7fd8
.part-r-00001-704b5725-15ea-4705-b347-285a4b0e7fd8.crc
_SUCCESS
._SUCCESS.crc

如何生成单个 JSON 文件而不是每行生成一个文件？
如何避免 *crc 文件？
如何避免出现 SUCCESS 文件？

Answer 1

如果你想要单个文件，你需要在调用写入之前对单个分区执行coalesce，所以：

unzipJSON.coalesce(1).write.mode("append").json("/home/eranw/Workspace/JSON/output/unCompressedJson.json")

就我个人而言，我发现输出文件的数量取决于您在调用 write 之前拥有的分区数量，这很烦人 - 特别是如果您使用 write 和 partitionBy - 但据我所知，目前没有其他办法。

我不知道是否有禁用 .crc 文件的方法 - 我不知道 - 但您可以通过在 Spark 上下文的 hadoop 配置上设置以下内容来禁用 _SUCCESS 文件。

sc.hadoopConfiguration.set("mapreduce.fileoutputcommitter.marksuccessfuljobs", "false")

请注意，您可能还想通过以下方式禁用元数据文件的生成：

sc.hadoopConfiguration.set("parquet.enable.summary-metadata", "false")

显然，生成元数据文件需要一些时间（参见 this blog post) but aren't actually that important (according to this）。就个人而言，我总是禁用它们并且我没有遇到任何问题。

Answer 2

上面的回答只是一点点更新。要禁用 crc 和 SUCCESS 文件，只需在 spark 会话中设置属性如下（示例）

spark = SparkSession \
        .builder \
        .appName("Python Spark SQL Hive integration example") \
        .config("spark.sql.warehouse.dir", warehouse_location) \
        .enableHiveSupport() \
        .getOrCreate()

    spark.conf.set("mapreduce.fileoutputcommitter.marksuccessfuljobs", "false")

如何避免在保存 DataFrame 时生成 crc 文件和 SUCCESS 文件？

How to avoid generating crc files and SUCCESS files while saving a DataFrame?

json

apache-spark

spark-dataframe