ETL 中优化的一些问题？

问答 ⋅ AIZero ⋅ 于 2020-09-04 00:01:07 ⋅ 最后回复由 AIZero 于 2020-09-04 11:23:11 ⋅ 2225 阅读

如果要跑海牛日志一年的数据，自己统计时先将一年的数据拉到本地，通过find命令把log文件放到一个文件夹，然后再把hdfs上传到hdfs上，然后再跑MapReduce。虽然hdfs中没法使用find函数的样子，但这个过程能否全程在hdfs上实现，有什么优化的方法。
如果我每天的定时任务需要跑最近三个月的日志数据，脚本该如何写才能把最近三个月的log文件汇集到MapReduce的input文件夹。

成为第一个点赞的人吧

回复数量: 2

青牛海汼部落创始人，80后程序员一枚，曾就职于金山，喜欢倒腾技术做产品
⋅ 2020-09-04 00:09:34
1.mapreduce不就是一个可以并发的大find吗

2.不用汇集到一个目录里面，使用mr的多目录输入
```
FileInputFormat.setInputPaths(job, inputPaths);
```

AIZero
⋅ 2020-09-04 11:23:11

@青牛好的，我去试试

请注意单词拼写，以及中英文排版，参考此页
支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`, 更多语法请见这里 Markdown 语法
支持表情，可用Emoji的自动补全, 在输入的时候只需要 ":" 就可以自动提示了 :metal: :point_right: 表情列表 :star: :sparkles:
上传图片, 支持拖拽和剪切板黏贴上传, 格式限制 - jpg, png, gif，教程
发布框支持本地存储功能，会在内容变更时保存，「提交」按钮点击时清空

Ctrl+Enter