Hadoop小文件弊端
HDFS上每个文件都要在NameNode上创建相应的元数据,这个元数据大小约为150byte,这样的小文件比较多时,会产生很多的元数据文件,
一方面会大量占用NameNode的内存空间,一方面因为元数据文件过多,会使寻址速度变慢
小文件过多,在进行,MR计算时,会产生过多切片4,需要启动过多的MapTask。每个MapTask处理的数据量小,导致MapTask的处理时间比启动时间还小,造成资源的浪费
Hadoop
小文件
解决方案
-
小文件优化的方向:
(1)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。
(2)在业务处理之前,在HDFS上使用
M
ap
R
educe程序对小文件进行合并。
(3)在
M
ap
R
educe处理时,可采用
CombineTextInputFormat
提高效率。
(
4
)开启uber模式,实现jvm重用
-
H adoop Archive
是一个高效的将小文件放入HD
FS
块中的文件存档工具,能够将多个小文件打包成一个HAR文件,从而达到减少NameNode的内??????
-
Sequence File
Sequence
File
是由一系列的二进制k/
v
组成,如果为key为文件名,value为文件内容,可将大批小文件合并成一个大文件
-
Combine TextInputFormat
CombineTextInputFormat
用于将多个小文件在切片过程中生成一个单独的切片或者少量的切片。
-
开启uber模式,实现jvm重用。默认情况下,每个Task任务都需要启动一个jvm来运行,如果Task任务计算的数据量很小,我们可以让同一个Job的多个 Task 运行在一个Jvm中,不必为每个Task都开启一个Jvm.