关于大量小文件的优化策略:
(1)默认情况下,TextInputformat对任务的切片机制是文件规划切片,不管文件多小,都会是一个单独的切片
都会交给maptask。这样如果有大量小文件,就会产生大量的maptask,处理效率极其低下。
(2)优化策略:
最好的方式:在数据处理系统的最前端(预处理/采集),就将文件先合并成大文件,再上传到hdfs做后续分析
补救措施:
如果已经是大量小文件在hdfs中了,可以使用另一种Inputformat来做切片(CombinerFileInputFormat),
他的切片逻辑跟FileInputFormat不同,它可以将很多小文件从逻辑上规划到一个切片中,这样,多个小文件就可以交给一个maptask
直接在job提交代码写这个:
//处理大量小文件的解决方案
//如果不设置
(1)默认情况下,TextInputformat对任务的切片机制是文件规划切片,不管文件多小,都会是一个单独的切片
都会交给maptask。这样如果有大量小文件,就会产生大量的maptask,处理效率极其低下。
(2)优化策略:
最好的方式:在数据处理系统的最前端(预处理/采集),就将文件先合并成大文件,再上传到hdfs做后续分析
补救措施:
如果已经是大量小文件在hdfs中了,可以使用另一种Inputformat来做切片(CombinerFileInputFormat),
他的切片逻辑跟FileInputFormat不同,它可以将很多小文件从逻辑上规划到一个切片中,这样,多个小文件就可以交给一个maptask
直接在job提交代码写这个:
//处理大量小文件的解决方案
//如果不设置