hive 小文件过多怎么解决

hive 中的小文件确定是向 hive 表中导入数据时产生。小文件过多产生的影响

首先对底层存储HDFS来讲，HDFS自己就不适合存储大量小文件，小文件过多会致使namenode元数据特别大, 占用太多内存，严重影响HDFS的性能。

对 hive 来讲，在进行查询时，每一个小文件都会当成一个块，启动一个Map任务来完成，而一个Map任务启动和初始化的时间远远大于逻辑处理的时间，就会形成很大的资源浪费。并且，同时可执行的Map数量是受限的。

**怎么解决小文件过多**

1.使用 hive 自带的 concatenate 命令，自动合并小文件

注意：  
一、concatenate 命令只支持 RCFILE 和 ORC 文件类型。  
二、使用concatenate命令合并小文件时不能指定合并后的文件数量，但能够屡次执行该命令。  
三、当屡次使用concatenate后文件数量不在变化，这个跟参数 mapreduce.input.fileinputformat.split.minsize=256mb 的设置有关，可设定每一个文件的最小size。

2.调整参数减小Map数量

3.减小Reduce的数量

reduce 的个数决定了输出的文件的个数，所以可以调整 reduce 的个数控制 hive 表的文件数量，hive中的分区函数 distribute by 正好是控制MR中 partition 分区的，然后通过设置 reduce 的数量，结合分区函数让数据均衡的进入每个 reduce 即可。

4.使用hadoop的archive将小文件归档
Hadoop Archive简称HAR，是一个高效地将小文件放入HDFS块中的文件存档工具，它可以将多个小文件打包成一个HAR文件，这样在减小namenode内存使用的同时，仍然容许对文件进行透明的访问。

注意:  
归档的分区能够查看不能 insert overwrite，必须先 unarchive。

了解更多大数据课程相关技术知识欢迎关注小编！