关于处理小文件数过多影响sql效率的调优问题

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

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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