Spark streaming写入delta数据湖问题

kk_io2024-02-02 11:06

问题1 一个batch运行时间过长

检查发现问题出现在merge写文件时间过长，一个batch本来应该是控制在1min。但项目上线到生产环境，检查spark streaming的job，发现数据在merge写入到数据湖时，往往超过1小时。继续排查，发现是一张表往往出现几百个小文件，影响数据写性能，故每天进行小文件合并操作。

. 优化小文件问题：

sql 复制代码

optimize delta.`dbfs:/your_mount_path/`

增加分区：

python 复制代码

df = spark.read.format('delta').load("abfs:/your_history_path")
df = df.withColumn('CDC_DATE', df['cdc_timestamp'].cast('date'))
df.write.partitionBy('CDC_DATE').mode('overwrite').option('overwriteSchema', 'true').format('delta').save("abfs:/your_partitioin_path")