pig数据导入性能优化(map端)

导言:众所周知,MapReduce的数据输入是以HDFS的数据块大小为基本单位的,加入某集群HDFS的block的大小为128MB。那么,当我们要处理的数据大小是在120MB左右,map端就不会出现由于数据分布不均匀而导致的数据倾斜。

下面介绍怎么控制map端的输出在120MB左右的方法,该方法对于日志的导入有很大的帮助,可以让map的输出均匀的输出。

本人所处理的原始数据是大量的日志,种类繁多,而且各种日志的生成速度也不差别很大,所以这些现实问题导致每天,每小时的数据量很不均匀。所以,需要通过map处理将数据均匀处理,并且使其具由比较好的schema。

HDFS中的日志有两种压缩格式,包括lzo以及gz格式。

  • lzo格式日志处理
    lzo格式的日志大于128MB时,pig脚本通过设置参数,可以将大文件split成128MB的文件;小于128MB并且多个数据块的和小于等于128MB的数据块可以通过combine参数将其合并。

  • gz格式日志处理
    gz格式的数据有一个问题,就是大于128MB的文件无法split,当然,小于128MB的,并且可以combine为128MB的数据块是可以被合并的,gz数据块处理的问题重心就落在了怎么切割大于128MB的数据块的问题上了,针对这个问题,我们可以使用如下方式对其先建索引(索引就是通过hadoop-lzo.jar包,将HDFS上的文件切割成hadoop方式配置参数中默认的文件块大小所加的位置标记),然后将其切割。

hadoop jar /opt/cloudera/parcels/GPLEXTRAS/lib/hadoop-0.20-mapreduce/lib/hadoop-lzo.jar com.hadoop.compression.lzo.DistributedLzoIndexer

当然,也可以将原始日志压缩为非gz格式的。

对于lzo和gz(建过索引的数据)格式的数据,可以通过设置如下参数将其比较均匀的分割。

SET pig.splitCombination true;  --开启数据块的combine
SET pig.maxCombinedSplitSize 130000000; --可以合成的大文件最大大小,这是将小文件合并的参数,参数可以自己根据实际情况设置
SET mapred.max.split.size 120000000;    --可以切割的文件,当它超过这个值是就将其切割了,参数可以自己根据实际情况设置 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值