有很多 xml 文件，如何按照文件去并行，而不是一个大文件切分成小块来做并行计算呢？

[dhairoot]

有很多 xml 文件，如何按照文件去并行，而不是一个大文件切分成小块来做并行计算呢？ 比如现在我有很多的 xml 文件，我想要做的是利用 spark 去同时解析多个 xml 文件，而不是一个 xml 文件被且分成小块去处理

[kex0916]

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.

[dhairoot]

@kex0916 文件都是本地的，每台电脑有一部分，这样的也可以吗

[kex0916]

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

[ls2995]

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?

[dhairoot]

@ls2995 兄弟你是做什么项目呀

[ls2995]

@dhairoot 证券数据,解析入库后分析

[dhairoot]

@ls2995 我后来就是在每一台电脑上分别跑处理程序

[ls2995]

@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

[dhairoot]

@ls2995 加油，搞完了可以写篇文章

[ls2995]

@dhairoot 你是什么项目啊？ spark 解析写咋样了