如何明确指定要拆分的文件大小或文件数量？

Question

【以下的问题经过翻译处理】 **情况**：如果只指定partition子句，会被分成多个文件。一个文件的大小小于 1MB（约 40 个文件）。

**我在想什么**f：我想在使用CTAS或INSERT INTO注册数据时明确指定要拆分的文件的大小或文件的数量。

我读过这篇文章：

**问题**：使用分桶方法（如上文所述）可以帮助我指定文件数或文件大小。但是，它还说“注意：分桶表不支持 INSERT INTO 语句”。我想每天使用 Athena 的 INSERT INTO 注册数据。

**问题**：在不影响搜索效率的情况下构建分区数据集市的最佳方法是什么？最好用 Glue 注册数据并将其保存为一个文件吗？

Answer

【以下的回答经过翻译处理】 你好，

是的。您说得对，分桶表尚不支持 INSERT INTO。对于您想要指定存储桶数量/文件大小的用例，使用 Athena 存储桶是合适的，但缺点是无法使用 INSERT INTO 插入新的传入数据。

但是，我可以建议在 AWS EMR 上使用 S3distcp 实用程序将小文件合并为 ~128MB 大小，以解决您的小文件问题。您可以使用它将较小的文件组合成较大的对象。您还可以使用 S3DistCP 以优化的方式将大量数据从 HDFS 移动到 Amazon S3、从 Amazon S3 到 Amazon S3，以及从 Amazon S3 到 HDFS。

参考：

如何明确指定要拆分的文件大小或文件数量？

Relevanter Inhalt