处理文件,Spark 处理小文件

文书处理是什么？

文书处理，又称文件处理、文书工作、公文处理、文件管理。是宣传机关工作的一个重要方面，它要求简明、精确而有条理地办理与管理文书事务，为有效地推进机关工作服务。

国家机关或社会组织制作、传递、使用、保存或销毁文件等行为的总称，是行政管理的重要组成部分。其质量与效率对国家机关或其他组织的工作成效有直接影响。

其主要的工作内容有文件的收发、登记和分送。文件的拟办、批办、承办和催办。文件的签发、缮印、校对和盖印。会议、汇报、电话的记录与整理。文件的平时归卷、提供借阅与保管。文件的系统整理、编目与归档。

扩展资料

文书的种类

1、法律文书，是国家司法机关在处理刑事、民事、经济各类案件时，依照法律规定的程序而制作或发布的、具有法律效力或者虽无法律效力但有法律意义的书面文件。

2、商业文书，应用写作所反映的内容，是由商业的实际工作所决定的，无论是布告、通知、请示、报告，还是简报、消息、总结、通讯、商业经济论文都要与商业工作有关。

Spark 处理小文件

不论是Hive还是Spark SQL在使用过程中都可能会遇到小文件过多的问题。小文件过多最直接的表现是任务执行时间长，查看Spark log会发现大量的数据移动的日志。我们可以查看log中展现的日志信息，去对应的路径下查看文件的大小和个数。

通过上述命令可以查看文件的个数以及大小。count查看出的文件大小单位是B，需要转换为MB。

在spark官方的推荐文档中，parquet格式的文件推荐大小是128MB，小于该大小的均可以称之为小文件，在实际的工作，往往小文件的大小仅仅为几KB，表现为，可能文件大小为几百MB，但是文件个数可能到达了几十万个。一般来说，我们可以通过简单相除获得文件的平均大小，如果文件数目不多，我们也可以通过下述命令获得每个文件的大小。

1.任务执行时间长

2.真实的文件大小独占一个数据存储块，存放到DataNode节点中。同时 DataNode一般默认存三份副本，以保障数据安全。同时该文件所存放的位置也写入到NameNode的内存中，如果有Secondary NameNode高可用节点，也可同时复制一份过去。NameNode的内存数据将会存放到硬盘中，如果HDFS发生重启，将产生较长时间的元数据从硬盘读到内存的过程。

3.不论在Hive还是在Spark中，每一个存储块都对应一个Map程序，一个Map呈现就需要一个JVM，启动一个JVM去读取或者写小文件是吃力不讨好的行为。在实际的生产中，为了更好的管理集群资源，一般会要求程序执行时限制Executor数量和每个Executor的核心数量，需要频繁创建Executor来读取写入。

5.影响磁盘寻址时间

小文件合并，本质上就是通过某种操作，将一系列小文件合并成大文件。我们知道，以MapReduce为代表的大数据系统，都习惯用K-V键值对的形式来处理文件，最后文件落盘，也是一个reduce对应一个输出文件。所以直观上，我们可以减少reduce数量，达到减少文件数量的目的。

从Map到Reduce需要一个Shuffle过程，所以我们将小文件合并理解为通过一个Shuffle，合并小文件成一个大文件。基于这样的思想，我们的策略可以分为两类：一类是原来的计算已经有Shuffle了，那么我们可以认为控制输出文件的数量；二类是强制触发Shuffle，进行小文件合并。

1-设置参数 (一般用于Hive)

2-distribute by rand()

往动态分区插入数据时，在已经写好的SQL末尾加上distribute by rand()

该算子只是起到打散的效果，但是我们还要设置文件的大小，以免打散后仍然有小文件。

表示每个reduce的大小，Hive可以数据总量，得到reduce个数，假设hive认为会有10个reduce,那么，这里rand()则会为 x % 10

3-group by

我们知道，group by算子会触发Shuffle，因此只要我们设置好Shuffle时的文件个数就好，在Spark SQL中，我们可以设置partition个数，因为一个partition会对应一个文件。

上述的操作，会触发shuffle，因此我们再设置partition个数。

则表示，shuffle后，只会产生10个partition.

4-repartition()

5-coalesce()

需要注意的是，4和5都是spark 2.4以及以后才会支持的。

在外网电脑处理涉密文件如何处理

外网电脑不能处理涉密文件。

严格规范日常工作方法，电脑内网实行专人管理、专人使用，外网电脑坚决不留存上传涉密文件，处理文件时坚持多看一眼、多想一步，看一看是不是涉密内容，想一想有没有可能造成泄密，让维护国家安全形成常态、保持长效。保密文件在外网上处理，很有可能造成泄密事件，要追究责任。