CN109344119B - 文件合并处理方法、装置、计算设备及计算机存储介质 - Google Patents

Abstract

本发明公开了一种文件合并处理方法、装置、计算设备及计算机存储介质，其中，文件合并处理方法包括：获取待分布式计算的多个文件；统计多个文件中所包含的数据条目总数量；在分布式计算过程中，根据数据条目总数量和预设数据条目阈值，对多个文件进行合并处理，得到至少一个目标文件。根据本发明提供的技术方案，实现了对小文件和空文件的合并处理，有效地减少了集群中目标文件的数量，减少了集群资源的占用，提高了下游作业执行效率。

Description

文件合并处理方法、装置、计算设备及计算机存储介质

技术领域

本发明涉及互联网技术领域，具体涉及一种文件合并处理方法、装置、计算设备及计算机存储介质。

背景技术

分布式计算方法是一种与集中式计算方法相对的计算方法。当需要处理的数据量较大时，采用集中式计算方法需要耗费相当长的时间来完成，而分布式计算方法会将这些数据分解成许多小的部分，分配给集群的多台计算机进行处理。这样可以节约整体计算时间，大大提高计算效率。

在分布式计算过程中，待分布式计算的文件中的数据在经过聚合、过滤和关联等处理后，同一文件所产生的结果数据量会变少。现有技术中经处理后所输出的文件的数量会与所读取的待分布式计算的文件的数量保持一致，那么在加载算子加载时则可能会生成大量的小文件，甚至生成大量的空文件。在基于经处理后所输出的文件进行下游作业时，读取小文件或空文件都需要占用内存和CPU，那么大量小文件或空文件的存在则会占用集群大量资源，直接影响下游作业执行效率。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的文件合并处理方法、装置、计算设备及计算机存储介质。

根据本发明的一个方面，提供了一种文件合并处理方法，该方法包括：

获取待分布式计算的多个文件；

统计多个文件中所包含的数据条目总数量；

在分布式计算过程中，根据数据条目总数量和预设数据条目阈值，对多个文件进行合并处理，得到至少一个目标文件。

根据本发明的另一方面，提供了一种文件合并处理装置，该装置包括：

获取模块，适于获取待分布式计算的多个文件；

数据条目统计模块，适于统计多个文件中所包含的数据条目总数量；

合并模块，适于在分布式计算过程中，根据数据条目总数量和预设数据条目阈值，对多个文件进行合并处理，得到至少一个目标文件。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述文件合并处理方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述文件合并处理方法对应的操作。

根据本发明提供的技术方案，无需用户在前端进行繁杂的配置，就能够在分布式计算过程中，根据数据条目总数量和预设数据条目阈值，自动地对多个文件进行合并处理，得到至少一个目标文件，实现了对小文件和空文件的合并处理，有效地减少了集群中目标文件的数量，从而减少了集群资源的占用，提高了下游作业执行效率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的文件合并处理方法的流程示意图；

图2示出了根据本发明另一个实施例的文件合并处理方法的流程示意图；

图3示出了根据本发明又一个实施例的文件合并处理方法的流程示意图；

图4示出了根据本发明一个实施例的文件合并处理装置的结构框图；

图5示出了根据本发明实施例的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的文件合并处理方法的流程示意图，如图1所示，该方法包括如下步骤：

步骤S101，获取待分布式计算的多个文件。

其中，待分布式计算的多个文件可以为尚未经过任何聚合、过滤和关联等处理的文件，也可以为数据流处理过程的中间环节所输出的文件，此处不做限定。需要进行处理的数据条目以文件为单位进行存储。

当需要对待分布式计算的多个文件进行分布式计算时，获取多个文件，其中，多个文件的数量和每个文件中所包含的数据条目的数量可根据实际需要进行确定，此处不做限定。另外，当多个文件为数据流处理过程的中间环节所输出的文件时，多个文件中可能包括有小文件和/或空文件。其中，小文件是指所包含的数据条目的数量不为0且数量小于预设平均阈值的文件，空文件是指所包含的数据条目的数量为0的文件。

步骤S102，统计多个文件中所包含的数据条目总数量。

其中，文件的目录信息中记载有该文件所包含的数据条目等信息，那么针对每一文件，可根据文件的目录信息，确定文件中所包含的数据条目的数量，然后将所有文件中所包含的数据条目的数量进行相加处理，从而得到多个文件中所包含的数据条目总数量。通过统计得到的数据条目总数量，能够全面、清楚地获知多个文件总共需要进行处理的数据条目的数量情况，以便合理地对多个文件进行合并处理。

步骤S103，在分布式计算过程中，根据数据条目总数量和预设数据条目阈值，对多个文件进行合并处理，得到至少一个目标文件。

其中，对多个文件的合并处理是在分布式计算过程中所进行的，并不是在多个文件经分布式处理落地得到处理后的文件之后，再对处理后的文件进行合并处理。本发明将合并处理融入至分布式计算过程中，能够便捷地得到至少一个目标文件。在本发明中，目标文件是指待分布式计算的文件经合并和分布式计算等处理后所得到的文件。目标文件的数量可根据数据条目总数量和预设数据条目阈值来确定。本领域技术人员可根据实际需要对预设数据条目阈值进行设置，此处不做限定。

根据本实施例提供的文件合并处理方法，无需用户在前端进行繁杂的配置，就能够在分布式计算过程中，根据数据条目总数量和预设数据条目阈值，自动地对多个文件进行合并处理，得到至少一个目标文件，实现了对小文件和空文件的合并处理，有效地减少了集群中目标文件的数量，从而减少了集群资源的占用，提高了下游作业执行效率。

图2示出了根据本发明另一个实施例的文件合并处理方法的流程示意图，如图2所示，该方法包括如下步骤：

步骤S201，获取待分布式计算的多个文件。

当需要对待分布式计算的多个文件进行分布式计算时，获取待分布式计算的多个文件。其中，待分布式计算的多个文件可以为尚未经过任何聚合、过滤和关联等处理的文件，也可以为数据流处理过程的中间环节所输出的文件。

步骤S202，计算多个文件的文件总数量。

在获取了多个文件之后，对多个文件的文件总数量进行计算，以便用于确定多个文件是否需要合并处理。

步骤S203，判断文件总数量是否大于第二预设数量；若是，则执行步骤S204；若否，则该方法结束。

由于本发明提供的文件合并处理方法本身也需要占用一定的集群资源，耗费一定的处理时间，如果文件总数量较少，例如文件总数量为10，则无需执行本发明提供的文件合并处理方法。具体地，可通过判断文件总数量是否大于第二预设数量的方式来确定多个文件是否需要合并处理。本领域技术人员可根据实际需要对第二预设数量进行设置，此处不做限定。例如，可将第二预设数量设置为100。

如果判断得到文件总数量大于第二预设数量，说明文件总数量较多，为了避免其中存在大量的小文件和/或空文件占用大量的集群资源，则需要对多个文件进行合并处理，则执行步骤S204。如果判断得到文件总数量小于或等于第二预设数量，说明文件总数量较少，无需对多个文件进行合并处理，直接按照现有技术对多个文件进行分布式计算即可，则该方法结束。

步骤S204，统计多个文件中所包含的数据条目总数量。

在经步骤S203判断得到文件总数量大于第二预设数量的情况下，对所获取的多个文件中所包含的数据条目总数量进行统计，以便全面、清楚地获知多个文件总共需要进行处理的数据条目的数量情况。具体地，针对每一文件，根据文件的目录信息，确定文件中所包含的数据条目的数量，然后将所有文件中所包含的数据条目的数量进行相加处理，得到多个文件中所包含的数据条目总数量。

步骤S205，计算多个文件的平均数据条目数量。

其中，可利用数据条目总数量除以文件总数量，将所得到的数值作为多个文件的平均数据条目数量。

步骤S206，判断平均数据条目数量是否小于预设平均阈值；若是，则执行步骤S207；若否，则执行步骤S209。

在本发明中可通过判断平均数据条目数量是否小于预设平均阈值来确定多个文件中是否包括小文件。本领域技术人员可根据实际需要对预设平均阈值进行设置，此处不做限定。例如，可将预设平均阈值设置为8000。

如果判断得到平均数据条目数量小于预设平均阈值，说明多个文件中包括小文件，则执行步骤S207；如果判断得到平均数据条目数量大于或等于预设平均阈值，说明多个文件中不包括小文件，则执行步骤S209。

步骤S207，将多个文件中的数据条目分配至数量符合第一预设数量的数据分片中。

在经步骤S206判断得到平均数据条目数量小于预设平均阈值的情况下，说明多个文件中包括小文件，将多个文件中的数据条目平均地分配至数量符合第一预设数量的数据分片中，以供集群的多台计算机进行处理。其中，数量符合第一预设数量的数据分片是指数量为第一预设数量的数据分片。本发明通过将多个文件中的数据条目分配至数量符合第一预设数量的数据分片中，实现了对多个文件的合并处理。通过分配数据条目，使得小文件和空文件都进行了合并处理，有效地避免小文件和空文件的存在会占用集群大量资源，有助于提高下游作业执行效率。

第一预设数量可根据数据条目总数量和预设数据条目阈值而确定，其中，预设数据条目阈值是根据数据分片的存储参数所设置的。假设根据数据分片的存储参数可知，一个数据分片能够存储50万条数据条目，那么可将预设数据条目阈值设置为50万。

作为一个具体实施方式，可将数据条目总数量除以预设数据条目阈值，并采用向上取整方式对所得到的数值进行取整处理，将取整处理后的数值作为第一预设数量。假设数据条目总数量为170万，预设数据条目阈值为50万，根据数据条目总数量和预设数据条目阈值所确定的第一预设数量为4，那么将多个文件中的数据条目分配至4个的数据分片中。

步骤S208，对数据分片中的数据条目进行分布式计算，得到数量符合第一预设数量的目标文件。

数据分片的数量决定了目标文件的数量，数据分片的数量与目标文件的数量相对应。在对一个数据分片中的数据条目完成分布式计算后，就会得到一个目标文件，那么在对数量符合第一预设数量的数据分片进行分布式计算后，就会得到数量符合第一预设数量的目标文件。

步骤S209，判断多个文件中是否包括空文件；若是，则执行步骤S210；若否，则该方法结束。

在经步骤S206判断得到平均数据条目数量大于或等于预设平均阈值的情况下，说明多个文件中不包括小文件，那么还需判断多个文件中是否包括空文件。具体地，可针对每一文件，根据文件的目录信息，确定文件中所包含的数据条目的数量，然后判断多个文件中是否存在数据条目的数量为0的文件。若存在数据条目的数量为0的文件，说明多个文件中包括空文件，执行步骤S210；若不存在数据条目的数量为0的文件，说明多个文件中既不包括小文件，也不包括空文件，那么无需对多个文件进行合并处理，直接按照现有技术对多个文件进行分布式计算即可，则该方法结束。

另外，本领域技术人员还可根据实际需要对判断多个文件中是否包括空文件的步骤的执行顺序进行调整，此处不做限定。

步骤S210，从多个文件中去除空文件，将去除空文件后的多个文件中的数据条目按照所属文件分配至数量与去除空文件后的多个文件的数量相同的数据分片中。

在经步骤S209判断得到多个文件中包括空文件的情况下，先从多个文件中去除空文件，然后将去除空文件后的多个文件中的数据条目按照所属文件分配至对应的数据分片。具体地，可将同一文件中的数据条目分配至同一数据分片中，将不同文件中的数据条目分配至不同的数据分片中，从而使得数据分片的数量与去除空文件后的多个文件的数量相同。

步骤S211，对数据分片中的数据条目进行分布式计算，得到数量与去除空文件后的多个文件的数量相同的目标文件。

在对一个数据分片中的数据条目完成分布式计算后，就会得到一个目标文件，那么在对数量与去除空文件后的多个文件的数量相同的数据分片进行分布式计算后，就会得到数量与去除空文件后的多个文件的数量相同的目标文件。

根据本实施例提供的文件合并处理方法，通过对文件总数量进行判断，能够快速地确定是否需要合并处理；通过文件中所包含的数据条目的数量、平均数据条目数量和预设平均阈值，能够方便、快速地识别出多个文件中是否包括小文件和/或空文件；在包括小文件的情况下，将多个文件中的数据条目分配至数量符合第一预设数量的数据分片中，并进行分布式计算，得到数量符合第一预设数量的目标文件；在仅包括空文件而不包括小文件的情况下，从多个文件中去除空文件，得到数量与去除空文件后的多个文件的数量相同的目标文件；本发明无需用户在前端进行繁杂的配置，能够根据所包括的小文件和空文件的具体情况，在分布式计算过程中自动实现对文件的合并处理，有效地减少了集群中目标文件的数量，从而减少了集群资源的占用，提高了下游作业执行效率。

图3示出了根据本发明又一个实施例的文件合并处理方法的流程示意图，如图3所示，该方法包括如下步骤：

步骤S301，获取待分布式计算的多个文件。

步骤S302，计算多个文件的文件总数量。

步骤S303，根据文件总数量判断是否需要合并处理；若是，则执行步骤S304；若否，则该方法结束。

具体地，可通过判断文件总数量是否大于第二预设数量的方式来确定多个文件是否需要合并处理。例如，可将第二预设数量设置为100。如果判断得到文件总数量大于第二预设数量，说明文件总数量较多，需要对多个文件进行合并处理，以避免其中存在大量的小文件和/或空文件占用大量的集群资源，则执行步骤S304。如果判断得到文件总数量小于或等于第二预设数量，说明文件总数量较少，无需对多个文件进行合并处理，直接按照现有技术对多个文件进行分布式计算即可，则该方法结束。

步骤S304，计算多个文件中所包括的空文件的数量，并统计多个文件中所包含的数据条目总数量。

具体地，针对每一文件，根据文件的目录信息，确定文件中所包含的数据条目的数量，接着根据所包含的数据条目的数量为0的文件的数量来确定空文件的数量，并将所有文件中所包含的数据条目的数量进行相加处理，得到多个文件中所包含的数据条目总数量。

步骤S305，根据空文件的数量判断多个文件中是否包括空文件；若是，则执行步骤S306；若否，则执行步骤S312。

如果空文件的数量不为0，说明多个文件中包括空文件，则执行步骤S306；如果空文件的数量为0，说明多个文件中不包括空文件，则执行步骤S312。

步骤S306，判断数据条目总数量是否大于预设数据条目阈值；若是，则执行步骤S307；若否，则执行步骤S311。

其中，预设数据条目阈值是根据数据分片的存储参数所设置的。在多个文件中包括空文件的情况下，本发明对于数据条目总数量大于预设数据条目阈值以及数据条目总数量小于或等于预设数据条目阈值这两种情况提供了不同的处理方式，具体地，可通过步骤S307至步骤S311进行实现。

步骤S307，计算多个文件的平均数据条目数量。

步骤S308，判断平均数据条目数量是否小于预设平均阈值；若是，则执行步骤S309；若否，则执行步骤S310。

如果判断得到平均数据条目数量小于预设平均阈值，说明多个文件中包括小文件，则执行步骤S309；如果判断得到平均数据条目数量大于或等于预设平均阈值，说明多个文件中不包括小文件，则执行步骤S310。

步骤S309，在分布式计算过程中，对多个文件进行合并处理，得到数量为(数据条目总数量/预设数据条目阈值)的目标文件。

在经步骤S308判断得到平均数据条目数量小于预设平均阈值的情况下，说明多个文件中包括小文件，那么可将多个文件中的数据条目平均地分配至数量为(数据条目总数量/预设数据条目阈值)的数据分片中，然后对数据分片中的数据条目进行分布式计算，得到数量为(数据条目总数量/预设数据条目阈值)的目标文件。

考虑到数据条目总数量除以预设数据条目阈值所得到的数值不一定为整数，那么可将所得到的数值利用向上取整方式进行取整处理，将取整处理后的数值作为(数据条目总数量/预设数据条目阈值)的运算结果。假设数据条目总数量为230万，预设数据条目阈值为50万，那么在分布式计算过程中，对多个文件进行合并处理，得到5个目标文件。

步骤S310，在分布式计算过程中，从多个文件中去除空文件。

在经步骤S308判断得到平均数据条目数量大于或等于预设平均阈值的情况下，说明多个文件中不包括小文件，那么在分布式计算过程中，直接从多个文件中去除空文件，而不对去除空文件后的多个文件进行合并处理。具体地，可将去除空文件后的多个文件中的数据条目按照所属文件分配至数量与去除空文件后的多个文件的数量相同的数据分片中，然后对数据分片中的数据条目进行分布式计算，得到数量与去除空文件后的多个文件的数量相同的目标文件。

步骤S311，在分布式计算过程中，对多个文件进行合并处理，得到少数的目标文件。

在本发明中，将数量小于第三预设数量的数量称为少数，本领域技术人员可根据实际需要对第三预设数量进行设置。例如，可将第三预设数量设置为5。在数据条目总数量小于或等于预设数据条目阈值的情况下，可以将多个文件中的所有的数据条目分配至少数的数据分片中，接着对数据分片中的数据条目进行分布式计算，得到少数的目标文件。当然也可以直接将多个文件中的所有的数据条目都分配至同一个数据分片中，然后对该数据分片中的数据条目进行分布式计算，得到一个目标文件。

步骤S312，计算多个文件的平均数据条目数量。

步骤S313，判断平均数据条目数量是否小于预设平均阈值；若是，则执行步骤S314；若否，则该方法结束。

在多个文件中不包括空文件的情况下，还需要对多个文件中是否包括小文件进行判断。如果判断得到平均数据条目数量小于预设平均阈值，说明多个文件中包括小文件，则执行步骤S314；如果判断得到平均数据条目数量大于或等于预设平均阈值，说明多个文件中既不包括小文件，也不包括空文件，那么无需对多个文件进行合并处理，直接按照现有技术对多个文件进行分布式计算即可，则该方法结束。

步骤S314，在分布式计算过程中，对多个文件进行合并处理，得到数量为(数据条目总数量/预设数据条目阈值)的目标文件。

其中，可将数据条目总数量除以预设数据条目阈值所得到的数值利用向上取整方式进行取整处理，将取整处理后的数值作为(数据条目总数量/预设数据条目阈值)的运算结果。具体地，可将多个文件中的数据条目平均地分配至数量为(数据条目总数量/预设数据条目阈值)的数据分片中，然后对数据分片中的数据条目进行分布式计算，得到数量为(数据条目总数量/预设数据条目阈值)的目标文件。

根据本实施例提供的文件合并处理方法，通过对文件总数量进行判断，能够快速地确定是否需要合并处理；通过文件中所包含的数据条目的数量、平均数据条目数量和预设平均阈值，能够方便、快速地识别出多个文件中是否包括小文件和/或空文件，还优化了小文件和空文件的判断顺序，在判断得到多个文件不包括空文件的情况下，就无需执行判断数据条目总数量是否大于预设数据条目阈值的步骤，进一步提高了文件合并处理效率；并且能够根据所包括的小文件和空文件的具体情况，在分布式计算过程中自动实现对文件的合并处理，有效地减少了集群中目标文件的数量，从而减少了集群资源的占用，提高了下游作业执行效率；另外，本发明无需用户在前端进行繁杂的配置，提高了使用的便利性，优化了文件合并处理方式。

图4示出了根据本发明一个实施例的文件合并处理装置的结构框图，如图4所示，该装置包括：获取模块401、数据条目统计模块402和合并模块403。

获取模块401适于：获取待分布式计算的多个文件。

数据条目统计模块402适于：统计多个文件中所包含的数据条目总数量。

合并模块403适于：在分布式计算过程中，根据数据条目总数量和预设数据条目阈值，对多个文件进行合并处理，得到至少一个目标文件。

可选地，合并模块403进一步适于：计算多个文件的平均数据条目数量；判断平均数据条目数量是否小于预设平均阈值；若平均数据条目数量小于预设平均阈值，则将多个文件中的数据条目分配至数量符合第一预设数量的数据分片中；对数据分片中的数据条目进行分布式计算，得到数量符合第一预设数量的目标文件。其中，第一预设数量根据数据条目总数量和预设数据条目阈值而确定，预设数据条目阈值是根据数据分片的存储参数所设置的。

可选地，合并模块403进一步适于：若平均数据条目数量大于或等于预设平均阈值，则判断多个文件中是否包括空文件；若包括空文件，则从多个文件中去除空文件，将去除空文件后的多个文件中的数据条目按照所属文件分配至数量与去除空文件后的多个文件的数量相同的数据分片中；对数据分片中的数据条目进行分布式计算，得到数量与去除空文件后的多个文件的数量相同的目标文件。

可选地，该装置还包括：文件数量计算模块404和判断模块405。

其中，文件数量计算模块404适于：计算多个文件的文件总数量；判断模块405适于：判断文件总数量是否大于第二预设数量。在这种情况下，数据条目统计模块402进一步适于：若文件总数量大于第二预设数量，则统计多个文件中所包含的数据条目总数量。

可选地，数据条目统计模块402进一步适于：针对每一文件，根据文件的目录信息，确定文件中所包含的数据条目的数量；将所有文件中所包含的数据条目的数量进行相加处理，得到多个文件中所包含的数据条目总数量。

根据本实施例提供的文件合并处理装置，通过对文件总数量进行判断，能够快速地确定是否需要合并处理；通过文件中所包含的数据条目的数量、平均数据条目数量和预设平均阈值，能够方便、快速地识别出多个文件中是否包括小文件和/或空文件；在包括小文件的情况下，将多个文件中的数据条目分配至数量符合第一预设数量的数据分片中，并进行分布式计算，得到数量符合第一预设数量的目标文件；在仅包括空文件而不包括小文件的情况下，从多个文件中去除空文件，得到数量与去除空文件后的多个文件的数量相同的目标文件；本发明无需用户在前端进行繁杂的配置，能够根据所包括的小文件和空文件的具体情况，在分布式计算过程中自动实现对文件的合并处理，有效地减少了集群中目标文件的数量，从而减少了集群资源的占用，提高了下游作业执行效率。

本发明还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，可执行指令可执行上述任意方法实施例中的文件合并处理方法。

图5示出了根据本发明实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。

其中：

处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。

通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器502，用于执行程序510，具体可以执行上述文件合并处理方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行上述任意方法实施例中的文件合并处理方法。程序510中各步骤的具体实现可以参见上述文件合并处理实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种文件合并处理方法，所述方法包括：

获取待分布式计算的多个文件；

统计所述多个文件中所包含的数据条目总数量；

在分布式计算过程中，根据所述数据条目总数量和预设数据条目阈值，对所述多个文件进行合并处理，得到至少一个目标文件；

其中，根据所述数据条目总数量和预设数据条目阈值，对所述多个文件进行合并处理，得到至少一个目标文件进一步包括：

计算所述多个文件的平均数据条目数量；

判断所述平均数据条目数量是否小于预设平均阈值；

若所述平均数据条目数量小于所述预设平均阈值，则将所述多个文件中的数据条目分配至数量符合第一预设数量的数据分片中；对所述数据分片中的数据条目进行分布式计算，得到数量符合第一预设数量的目标文件；所述第一预设数量根据所述数据条目总数量和所述预设数据条目阈值而确定；

其中，所述方法还包括：

若所述平均数据条目数量大于或等于所述预设平均阈值，则判断所述多个文件中是否包括空文件；

若包括空文件，则从所述多个文件中去除空文件，将去除空文件后的多个文件中的数据条目按照所属文件分配至数量与去除空文件后的多个文件的数量相同的数据分片中；对所述数据分片中的数据条目进行分布式计算，得到数量与去除空文件后的多个文件的数量相同的目标文件。

2.根据权利要求1所述的方法，其中，所述预设数据条目阈值是根据数据分片的存储参数所设置的。

3.根据权利要求1所述的方法，其中，在所述统计所述多个文件中所包含的数据条目总数量之前，所述方法还包括：

计算所述多个文件的文件总数量；

判断所述文件总数量是否大于第二预设数量；

所述统计所述多个文件中所包含的数据条目总数量具体为：若所述文件总数量大于所述第二预设数量，则统计所述多个文件中所包含的数据条目总数量。

4.根据权利要求1-3任一项所述的方法，其中，所述统计所述多个文件中所包含的数据条目总数量进一步包括：

针对每一文件，根据所述文件的目录信息，确定所述文件中所包含的数据条目的数量；

将所有文件中所包含的数据条目的数量进行相加处理，得到所述多个文件中所包含的数据条目总数量。

5.一种文件合并处理装置，所述装置包括：

获取模块，适于获取待分布式计算的多个文件；

数据条目统计模块，适于统计所述多个文件中所包含的数据条目总数量；

合并模块，适于在分布式计算过程中，根据所述数据条目总数量和预设数据条目阈值，对所述多个文件进行合并处理，得到至少一个目标文件；

其中，所述合并模块进一步适于：

计算所述多个文件的平均数据条目数量；

判断所述平均数据条目数量是否小于预设平均阈值；

若所述平均数据条目数量小于所述预设平均阈值，则将所述多个文件中的数据条目分配至数量符合第一预设数量的数据分片中；对所述数据分片中的数据条目进行分布式计算，得到数量符合第一预设数量的目标文件；所述第一预设数量根据所述数据条目总数量和所述预设数据条目阈值而确定；

其中，所述合并模块进一步适于：

若所述平均数据条目数量大于或等于所述预设平均阈值，则判断所述多个文件中是否包括空文件；

若包括空文件，则从所述多个文件中去除空文件，将去除空文件后的多个文件中的数据条目按照所属文件分配至数量与去除空文件后的多个文件的数量相同的数据分片中；对所述数据分片中的数据条目进行分布式计算，得到数量与去除空文件后的多个文件的数量相同的目标文件。

6.根据权利要求5所述的装置，其中，所述预设数据条目阈值是根据数据分片的存储参数所设置的。

7.根据权利要求5所述的装置，其中，所述装置还包括：

文件数量计算模块，适于计算所述多个文件的文件总数量；

判断模块，适于判断所述文件总数量是否大于第二预设数量；

所述数据条目统计模块进一步适于：若所述文件总数量大于所述第二预设数量，则统计所述多个文件中所包含的数据条目总数量。

8.根据权利要求5-7任一项所述的装置，其中，所述数据条目统计模块进一步适于：

针对每一文件，根据所述文件的目录信息，确定所述文件中所包含的数据条目的数量；

将所有文件中所包含的数据条目的数量进行相加处理，得到所述多个文件中所包含的数据条目总数量。

9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的文件合并处理方法对应的操作。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-4中任一项所述的文件合并处理方法对应的操作。

Images