Hadoop HDFS小文件优化方法

HDFS小文件弊端：

HDFS上每个文件都要在NameNode上建立一个索引，这个索引的大小约为150byte，这样当小文件比较多的时候，就会产生很多的索引文件，一方面会大量占用NameNode的内存空间，另一方面就是索引文件过大使得索引速度变慢。

优化方式概览：

• 在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS。
• 在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。
• 在MapReduce处理时，可采用CombineTextInputFormat提高效率。

 优化方案：

1. Hadoop Archive：是一个高效地将小文件放入HDFS块中的文件存档工具,它能够将多个小文件打包成一个HAR文件,这样就减少了NameNode的内存使用。
2. Sequence File：Sequence File由一系列的二进制key/value组成,如果key为文件名, value为文件内容,则可以将大批小文件合并成一个大文件。
3. CombineFilelnputFormat：CombineFilelnputFormat是一种新的InputFormat,用于将多个文件合并成一个单独的Split ,另外,它会考虑数据的存储位置。
4. 开启JM重用：对于大量小文件Job,可以开启VM重用会减少45%运行时间。
   JVM重用原理:一个Map运行在一个JVM上,开启重用的话,该Map在JVM上运行完毕后,JVM继续运行其他Map.
   具体设置: mapreduce.job.jyvm.numtasks值在10-20之间。