我是用 Flink 的 DataSet API 去读取文件，用的 Hadoop Compatability 里 Hadoop 的 FileInputFormat，发现在创建分片的 getSplits()方法里，会去遍历每一个文件获取 block locations，有 10 万个文件的话就得发 10 万次请求，所以任务初始化非常慢，请问一下有什么好的解决办法么？
This topic created in 2266 days ago, the information mentioned may be changed or developed.
 |
F281M6Dh8DXpD1g2Aug 21, 2020 via iPhone
1
合并小文件呗
|
 |
billleeAug 21, 2020
2
HDFS 本来就不适合存小文件
|
 |
3
@billlee 文件也不小但是多，但是初始化慢就是一个循环对每个文件都要去发次 rpc 请求获取一个文件的 block 位置，如果能只发一次请求返回所有相关文件的位置信息感觉就快很多。
|
 |
kex0916Aug 24, 2020
4
把文件合并下，或者把读取文件过程拆分成多个任务跑，最后再 union 起来
|
Select Language