更改DataFrame.write（）的输出文件名前缀

通过Spark SQL DataFrame.write（）方法生成的输出文件以“part”basename前缀开头。 例如

DataFrame sample_07 = hiveContext.table("sample_07"); sample_07.write().parquet("sample_07_parquet"); 

结果是：

 hdfs dfs -ls sample_07_parquet/ Found 4 items -rw-r--r-- 1 rob rob 0 2016-03-19 16:40 sample_07_parquet/_SUCCESS -rw-r--r-- 1 rob rob 491 2016-03-19 16:40 sample_07_parquet/_common_metadata -rw-r--r-- 1 rob rob 1025 2016-03-19 16:40 sample_07_parquet/_metadata -rw-r--r-- 1 rob rob 17194 2016-03-19 16:40 sample_07_parquet/part-r-00000-cefb2ac6-9f44-4ce4-93d9-8e7de3f2cb92.gz.parquet 

我想更改使用Spark SQL DataFrame.write（）创建文件时使用的输出文件名前缀。 我尝试在Spark上下文的hadoop配置中设置“mapreduce.output.basename”属性。 例如

 public class MyJavaSparkSQL { public static void main(String[] args) throws Exception { SparkConf sparkConf = new SparkConf().setAppName("MyJavaSparkSQL"); JavaSparkContext ctx = new JavaSparkContext(sparkConf); ctx.hadoopConfiguration().set("mapreduce.output.basename", "myprefix"); HiveContext hiveContext = new org.apache.spark.sql.hive.HiveContext(ctx.sc()); DataFrame sample_07 = hiveContext.table("sample_07"); sample_07.write().parquet("sample_07_parquet"); ctx.stop(); } 

这没有更改生成的文件的输出文件名前缀。

有没有办法在使用DataFrame.write（）方法时覆盖输出文件名前缀？

Answer 1

使用任何标准输出格式（如Parquet）时，无法更改“part”前缀。 从ParquetRelation 源代码中查看此代码段：

 private val recordWriter: RecordWriter[Void, InternalRow] = { val outputFormat = { new ParquetOutputFormat[InternalRow]() { // ... override def getDefaultWorkFile(context: TaskAttemptContext, extension: String): Path = { // .. // prefix is hard-coded here: new Path(path, f"part-r-$split%05d-$uniqueWriteJobId$bucketString$extension") } } } 

如果你真的必须控制零件文件名，你可能必须实现一个自定义FileOutputFormat并使用一个接受FileOutputFormat类的Spark的保存方法（例如saveAsHadoopFile ）。