现象 datax执行hdfsreader->mysqlwriter的时候发现

 2w+task 然后oom。

首先思考下为啥又2w+task，说明有2w+文件，未免也太多了

检查hdfs目录

 分区/子分区/1000个文件 

为什么会有这么多分区呢？

按道理spark 会自动merge小文件的，为啥没有merge呢？以前我都测试是ok的呀

set hive.merge.size.per.task=268435456;
set hive.merge.sparkfiles=true;

猜测：

1.spark merge 对分区表不起作用？

2.spark merge 对空文件不起作用。

上述就是空文件，暂时不测试了。有时间的时候更新下。本来想着下次更新，但是想了下，问题也不复杂，继续研究下。

我发现其余分区的数据

查看他们的目录都很正常。

 但是那些分区数据为空的就不正常了

 说明了啥，spark.merge 是针对非空文件去merge的或者说这个参数起效，一个目录下必须有一个非空文件，我这几个目录都是1000个空文件，所以根本不merge。

主要来说明怎么解决空文件过多的问题

也很简单，我们知道生成文件的个数=task的数量

直接set mapreduce.job.reduces=10 

最后结果也ok 10个空文件比1000个能够接收。

 但是这样也会有一定的问题，reduce只有10个速度效率会有所下降

# hive # spark
Logo
腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

Elasticsearch复杂数据类型终极指南：从入门到精通

Elasticsearch作为功能强大的搜索引擎，支持多种复杂数据类型，让开发者能够灵活处理各种结构化和非结构化数据。本文将带你全面了解Elasticsearch中的复杂数据类型，从基础概念到实际应用，助你轻松掌握数据建模的核心技巧。## 内部对象：构建层级化数据结构在Elasticsearch中，对象类型（Object）是最基础的复杂数据类型之一，用于表示具有嵌套关系的数据。例如，我们可

avatar 腾讯云开发者社区

终极指南：Flink SQL连接器版本管理从混乱到有序的升级之路

Apache Flink作为流处理领域的佼佼者，其SQL连接器的版本管理一直是开发者面临的核心挑战。本文将系统讲解Flink SQL连接器版本管理的最佳实践，帮助你轻松应对版本兼容性问题，实现从混乱到有序的升级之旅。## 连接器版本管理的常见痛点 😫在Flink应用开发中，连接器版本管理常常让开发者头疼不已。不同版本的连接器可能导致各种兼容性问题，例如API变更、功能差异甚至运行时错误。

avatar 腾讯云开发者社区

如何快速搭建Neon无服务器PostgreSQL：面向初学者的完整指南

Neon是一款革命性的无服务器PostgreSQL解决方案，它通过分离存储和计算层，实现了自动扩缩容、类代码式数据库分支以及零级扩展能力。本指南将帮助你从零开始搭建Neon开发环境，体验这款创新数据库的强大功能。## 准备工作：环境要求与依赖项在开始搭建Neon环境前，请确保你的系统满足以下要求：- Linux操作系统（推荐Ubuntu 20.04+或Debian 11+）- Git

avatar 腾讯云开发者社区