S3DistCp按文件夹分组

Question

我正在尝试使用S3DistCp来解决Hadoop中的小文件问题。它是有效的，但使用输出有点烦人。我正在处理的文件路径如下：

s3://test-bucket/test/0000eb6e-4460-4b99-b93a-469d20543bf3/201402.csv

并且在该文件夹中可以有多个文件。我希望按文件夹名称分组，因此我在s3distcp中使用以下group by参数：

--groupBy '.*(........-.........-....-............).*'

它确实对文件进行了分组，但它仍然会导致多个输出文件夹，每个文件夹中都有一个文件。有没有办法将分组的文件输出到一个文件夹中，而不是多个文件夹中？

谢谢!

Answer 1

从2015-11-20开始，这是S3DistCp的行为。它将基于源目录创建多个目录。它不会跨目录组合。

Answer 2

我想你可以试试这个：--groupBy ".*/(........-.........-....-............)/.*"

在您的示例中，您应该使用如下内容：--src "s3://test-bucket/test/"

这样，您将拥有多个文件夹，这些文件夹中的所有文件都合并在一起。