Hive迁移数据时发现大量小文件,严重影响Hive执行效率,在这里记录下小文件合并的问题。
小文件产生的原因
执行MapReduce任务时,通过会作一些优化,比如增加Reduce并行度来提升计算效率。而Reduce的增多意味着输出结果文件的增多,所以会产生小文件问题。
小文件产生的问题
NameNode存储元数据信息,包括HDFS的抽象目录树结构,存储数据和block分块对应关系、位置、大小等,启动时会加载到内存。每个存储对象大约150字节,所以当文件达到千万级时,内存中的元数据达到3G以上,NameNode的性能就会受影响。
HDFS文件读写时,会先向NameNode获取元数据信息,再通过元数据找到block对应的DataNode进行文件读写,大量的小文件会导致HDFS的读写受到影响。
执行Hive任务时,每个文件执行一个MapTask,小文件数据过多,会导致大量MapTask的不断启动和初始化,这样时间远远大于逻辑处理时间,导致Hive任务时间太长,造成资源浪费,甚至oom。执行Hive任务时,如果发现数据量不大但是任务数很多时,应该注意在Map的输入进行小文件合并。
Hive优化方式
1. 输入合并,也就是在Hive读取文件时进行小文件合并,减少Map数量,。
2. 输出合并,在MapReduce输出结果时进行小文件合并。
3. JVM重用,一个Container中运行多个MapTask,减少Container开启和注销时间。
输入合并
# 设置Hive输入,执行map前进行小文件合并
# 设置后,DataNode上多个小文件会进行合并,合并文件数由mapred.max.split.size决定
set hive.input.format=org.apache.hadoop.hive.al.io.CombineHiveInputFormat;
# 每个MapTask最大文件大小
set mapred.max.split.size=256000000;
# 节点上最小分片大小
# 如果输入文件在一个节点上多个block的总和,大于这个值则创建一个split,每个节点最多开启一个split
# 小于则将块用于机架设置值进行计算
set mapred.min.split.size.per.node=100000000;
# 机架上最小分片大小,决定不同机架的DataNode上文件是都进行合并
# 对同一机架上多个DataNode的小于节点设置值的块总和进行计算,大于这个值创建split
# 小于则进行多个机架计算
set mapred.min.split.size.per.rack=100000000;
输出合并
# map结束时合并小文件,默认开启
set hive.merge.mapredfiles=true;
# 输出结果时合并,默认关闭
set hive.merge.mapfiles=true;
# 小于这个值会开启一个独立的mapreduce任务进行小文件合并,默认16m
set hive.merge.smallfiles.avgsize=16000000;
## 合并后的文件大小,默认256m,推荐128m,一个hdfs分块的大小
set hive.merge.size.per.task=256000000;
JVM重用
set mapred.job.jvm.num.tasks
CDH中Hive小文件合并设置
输入时设置 Hive -> hive-site.xml 客户端
输出时设置 Hive -> 搜索 merge