spark中saveAsTextFile如何最终生成一个文件

项目场景：

• 一般而言，saveAsTextFile会按照执行task的多少生成多少个文件，比如part-00000一直到part-0000n，n自然就是task的个数，亦即是最后的stage的分区数。那么有没有办法最后只生成一个文件，而不是成百上千个文件了？答案自然是有办法。

---

误区

• 在RDD上调用 coalesce(1,true).saveAsTextFile()， 意味着做完计算之后将数据汇集到一个分区，然后再执行保存的动作，显然，一个分区，Spark自然只起一个task来执行保存的动作，也就只有一个文件产生了。又或者，可以调用repartition(1)，它其实是coalesce的一个包装，默认第二个参数为true。

• 事情最终就这么简单吗？
  　　显然不是。你虽然可以这么做，但代价是巨大的。因为Spark面对的是大量的数据，并且是并行执行的，如果强行要求最后只有一个分区，必然导致大量的磁盘IO和网络IO产生，并且最终执行reduce操作的节点的内存也会承受很大考验。Spark程序会很慢，甚至死掉。

• 这往往是初学Spark的一个思维陷阱，需要改变原先那种单线程单节点的思维，对程序的理解要转变多多个节点多个进程中去，需要熟悉多节点集群自然产生多个文件这种模式。

• 此外，saveAsTextFile要求保存的目录之前是没有的，否则会报错。所以，最好程序中保存前先判断一下目录是否存在。

• 当我运行完一个Spark程序想把结果保存为saveAsTextFile，
  结果使用Hadoop fs -ls /output 后发现里面有一系列的part，好几千个。

• 原因：
  运行Spark的时候把数据分成了很多份（partition），每个partition都把自己的数据保存成partxxx文件形式。
  如果想保存为一份的话，就要：
  先collect
  或者
  data.coalesce(1,true).saveAsTextFile()
  也或者

data.repartition(1).saveAsTextFile( )       //You can also use repartition(1), which is just a wrapper for coalesce() with the suffle argument set to true.

data.repartition(1).saveAsTextFile( “HDFS://OUTPUT”)

• 问题：
  但是如果你的数据很大，难以在单机内存上装下，以上操作可能会造成单机内存不足(OOM)
  原因在于以上操作都是讲分布在各个机器上的数据汇总到单机，然后再保存到磁盘（HDFS）上。
  以上操作将各个机器上的RDD partition 合并到单一主机后再读入磁盘。

---

解决方案：

以下给出更安全的操作，即采用HDFS磁盘合并操作。

如果已经存了很多个part：
可以把大文件夹getmerge：

把HDFS 上的多个文件 合并成一个 本地文件：

hadoop fs -getmerge /hdfs/output   /local/file.txt

也可以：

hadoop    fs   -cat    /hdfs/output/part-r-* >   /local/file.txt