1

spark 读取的话可以自己实现分区切分的规则，也可以采用自己实现 FileInputFormat 将 isSplitable 设置成 false，然后使用 hadoop rdd api.

2

@kex0916 文件都是本地的，每台电脑有一部分，这样的也可以吗

3

不能保证每台机器上都能至少起一个 executor，最好还是放到 hdfs 这种分布式文件系统上

4

我跟你的任务咋这么一致呢,我是大概 8T 的 zip 文件在 hdfs 上,里面也都是 xml,我需要解压后再在集群上做解析存到 hbase,我解压就是看你发的那个链接写出来的,但是性能确实不太好,你最后是怎么解决的?

7

@ls2995 我后来就是在每一台电脑上分别跑处理程序

8

@dhairoot 我用 spark 实现了，但是性能不是很好，我们公司要求有点高，集群性能不太好吧还要求速度，所以分别跑不太现实，而且每周还会来 3T 左右的 zip 文件，必须要尽快解压分析入库，现在正写 spark 解析 xml 呢，有点烦躁