背景:sparksql执行过程中,发现task数目特别多,大大降低了执行的效率,经排查后发现是某张表的底层文件数过多,且每个文件大小都很小,也就是出现了小文件过多的情况
原理:
此处要区分spark任务和hive任务在落盘时候是不同的
spark任务可以直接通过设定repartition(N)的命令来设置每个分区下的文件数目,
同时在sql查询末加上distribute by rand()来设置生成N个小文件同时避免文件大小不均以及数据倾斜的问题,
这里不多描述
hive任务略有不同
首先reducer数目直接影响到的就是生成文件的数目
设置reducer数目可以通过set mapred.reduce.tasks=N来设置
这里要解释下distribute by rand() 和 distribute by XXX(通常是分区字段)的区别(区别在reducer=1时体现不出)
前者是根据rand生成的随机数和reducer取模后分配到对应的reducer进行计算,因此数量上比较平均,且每个分区生成N个大小差不多的文件
后者是根据XX字段相同的记录分配到同一个reducer进行计算,因此每个分区生成1个文件,因为同个分区都只有一个reducer,但可能导致数据倾斜
解决办法:
写python脚本,自己读取自己的数据,然后insert overwrite本身 设置reducer数目为1且distribute by分区