我有 30TB 的数据按日期和小时划分，每小时分成 300 个文件。我进行了一些数据转换，然后希望对数据进行排序并按排序顺序保存，以便 C++ 程序轻松摄取。我知道当你序列化时，顺序只在文件中是正确的。我希望通过更好地划分数据来避免这种情况。
我想同时按 sessionID 和时间戳排序。我不希望 sessionIDs 在不同的文件之间分割。如果我在 SessionID 上分区，我将拥有太多，所以我对 N 取模以生成 N 个桶，旨在获得 1 个桶的数据大约 100-200MB:
df = df.withColumn("bucket", F.abs(F.col("sessionId")) % F.lit(50))
然后我在排序之前按日期、小时和桶遣返
df = df.repartition(50,"dt","hr","bucket")
df = df.sortWithinPartitions("sessionId","timestamp")
df.write.option("compression","gzip").partitionBy("dt","hr","bucket").parquet(SAVE_PATH)
这会将数据保存到 dt/hr/bucket，每个 bucket 中有 1 个文件，但顺序丢失了。如果我不创建存储桶和重新分区，那么我最终会得到 200 个文件，数据是有序的，但 sessionId 被拆分到多个文件中。
编辑:
问题似乎出在使用 partitionBy("dt","hr","bucket") 保存时，它会随机重新分区数据，因此不再排序。如果我在没有 partitionBy 的情况下保存，那么我得到的正是我所期望的 - N 个文件用于 N 个存储桶/分区和 sessionIds 跨单个文件，所有文件都正确排序。所以我有一个 non-spark hack 手动迭代所有日期 + 小时目录
如果您按列分区、排序，然后使用 partitionBy 写入同一列，那么您希望直接转储已排序的分区，而不是对数据进行一些随机重新洗牌，这似乎是一个错误。
最佳答案
将分区列放在已排序的列列表中可能会成功。
关于apache-spark - Spark : save ordered data to parquet，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/58881553/