更改 spark _temporary 目录路径

Question

是否可以_temporary在写入之前更改spark 保存其临时文件的目录？

特别是，由于我正在编写表的单个分区，因此我希望临时文件夹位于分区文件夹中。

有可能吗？

Answer 1

由于它的实现，没有办法使用默认的 FileOutputCommitter，FileOutputCommiter 创建一个${mapred.output.dir}/_temporary 子目录，文件被写入，然后在提交后移动到${mapred.output。目录}。

最后，删除了整个临时文件夹。当两个或多个 Spark 作业具有相同的输出目录时，文件的相互删除将是不可避免的。

最终，我下载了org.apache.hadoop.mapred.FileOutputCommitter和org.apache.hadoop.mapreduce.lib.output.FileOutputCommitter（您可以将其命名为YourFileOutputCommitter）进行了一些更改，允许 _temporaly 重命名

在您的驱动程序中，您必须添加以下代码：

val conf: JobConf = new JobConf(sc.hadoopConfiguration)
conf.setOutputCommitter(classOf[YourFileOutputCommitter])


// update temporary path for committer 
YourFileOutputCommitter.tempPath = "_tempJob1"

注意：最好使用MultipleTextOutputFormat重命名文件，因为写入同一位置的两个作业可以相互覆盖。

更新

我在我们的技术博客中创建了简短的帖子，其中包含更多详细信息 https://www.outbrain.com/techblog/2020/03/how-you-can-set-many-spark-jobs-write-to-the -相同路径/