Hive如何處理大量小文件

小文件是如何產(chǎn)生的

動態(tài)分區(qū)插入數(shù)據(jù)的時候，會產(chǎn)生大量的小文件从媚，從而導(dǎo)致map數(shù)量的暴增
數(shù)據(jù)源本身就包含有大量的小文件
reduce個數(shù)越多，生成的小文件也越多

小文件的危害

從HIVE角度來看的話呢，小文件越多沪斟，map的個數(shù)也會越多，每一個map都會開啟一個JVM虛擬機暇矫，每個虛擬機都要創(chuàng)建任務(wù)主之，執(zhí)行任務(wù)，這些流程都會造成大量的資源浪費李根，嚴重影響性能
在HDFS中槽奕，每個小文件約占150byte，如果小文件過多則會占用大量的內(nèi)存房轿。這樣namenode內(nèi)存容量嚴重制約了集群的發(fā)展

小文件的解決方案

從小文件的產(chǎn)生途徑解決：

使用sequencefile作為表存儲形式粤攒，不要使用textfile所森，在一定程度上可以減少小文件
減少reduce的個數(shù)（減少生成分區(qū)數(shù)量）
少用動態(tài)分區(qū)，使用distribute by分區(qū)

對已經(jīng)存在的小文件做出的解決方案：

使用Hadoop achieve把小文件進行歸檔
重建表夯接，建表時減少reduce的數(shù)量

通過參數(shù)調(diào)節(jié)焕济，設(shè)置map/reduce的數(shù)量

設(shè)置map輸入合并小文件的相關(guān)參數(shù)：

//每個Map最大輸入大小(這個值決定了合并后文件的數(shù)量)
set mapred.max.split.size=256000000;  
//一個節(jié)點上split的至少的大小(這個值決定了多個DataNode上的文件是否需要合并)
set mapred.min.split.size.per.node=100000000;
//一個交換機下split的至少的大小(這個值決定了多個交換機上的文件是否需要合并)  
set mapred.min.split.size.per.rack=100000000;
//執(zhí)行Map前進行小文件合并
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

設(shè)置map輸出和reduce輸出進行合并的相關(guān)參數(shù)：

//設(shè)置map端輸出進行合并，默認為true
set hive.merge.mapfiles = true
//設(shè)置reduce端輸出進行合并盔几，默認為false
set hive.merge.mapredfiles = true
//設(shè)置合并文件的大小
set hive.merge.size.per.task = 256*1000*1000
//當輸出文件的平均大小小于該值時晴弃，啟動一個獨立的MapReduce任務(wù)進行文件merge。
set hive.merge.smallfiles.avgsize=16000000

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者