小文件治理系列之为什么会出现小文件问题，小文件过多问题的危害以及不同阶段下的小文件治理最佳解决手段

前言

大数据场景下会产生海量文件，其中，小文件会对系统造成一系列影响。在实际业务中，小文件现象出现频率并不低，客户现场开发环境和或生产环境多或少都会遇到小文件问题，这些问题或来自上游系统，亦可能是因为表的分区分桶不合理，也可能是来自于不规范的sql等等。

当小文件过多时，将会导致内存占用高、集群不稳定，增加计算资源的开支等一系列问题。

因此小文件治理是必要的也是迫切的。本系列文章将从源头为您介绍什么是小文件合并，为什么会出现小文件增多的情况，不同阶段下治理小文件的最佳手段，以及不同的表格式中的合并机制是什么，如何使用。感兴趣的小伙伴一起看下去吧~

为了更清楚的理解我们为什么要治理小文件，Compact机制是什么，我们需要溯源，了解小文件出现的原因是什么，有什么弊端。

小文件出现背景

HDFS（Hadoop Distributed File System)是Hadoop项目的核心子项目之一，旨在通过计算机集群在分布式环境中有效地存储和处理大批量文件，有效地解决大规模、海量数据的存储以及读写性能的问题，并为海量数据提供了不怕故障的存储，为超大数据集的应用处理带来了很多便利。

HDFS常常用于在Hadoop生态体系内提供分布式文件读写服务，目前大数据平台很多都在使用HDFS应对海量数据的存储。

HDFS有以下的设计目标：

1. 高可靠性，可以防止服务器出现故障宕机所导致的数据丢失等问题；
2. 相比较磁盘阵列构建成本低，可构建在廉价x86服务器上；
3. 将大文件切成Block，支持GB-TB级别海量数据存储；
4. 支持大规模离线批处理，利用数据本地性提速计算过程；

虽然HDFS有效解决了用户大文件存储等问题，但其本身设计存在一些缺陷。

我们先来看一下HDFS的简易架构图：

从整个系统架构上看，NameNode扮演着十分重要的角色，其一大功能是负责进行元数据的存储与管理。其中元数据信息包括文件名、文件所在路径、文件所有者、副本数等信息。此外，还有多个 DataNode 节点，这些节点就是文件存储位置。客户端收到服务器允许上传文件的响应之后，会将该文件分为一个个块（block），并将这些块存储在集群中的不同节点上，然后将每个块依次发送到 DataNode 中，由 NameNode 记录块的存储位置等信息存储在元数据中。

同时，为了保证数据有足够多的副本来确保数据可靠性和容错性，这时服务器会进行一个异步的操作，将这个块再进行复制操作，存储到其他 DataNode 中。

因此，HDFS基于block块存储、3副本机制等设计的特点在面对低延时、数据量小且文件多的场景下小文件问题会变得格外突出。

小文件的定义及危害

小文件通常是指文件size远小于HDFS上block块大小的文件。小文件数量过多，会给hadoop的扩展性和性能带来严重问题。

任何block块、文件或者目录在内存中均以对象的形式存储，如果小文件的数据量非常多，则NameNode需要更多存储元数据的空间，将逐渐出现内存受限的问题，并且很多存储小文件时被隐藏的问题被暴露出来，比如启动时间变长（NameNode的启动过程通常分为几个阶段，包括fsimage本地数据加载、读取JournalNode上比fsimage新的editlog、在本地进行editlog replay、DataNode的BlockReport）。这样NameNode内存容量严重制约了集群的扩展。

并且，有关元数据的管理处理等操作基本都是基于NameNode来进行，那么当内存被大量占用时，对于元数据的增删改查的操作性能会出现下降的趋势。相对于更加复杂的操作处理，比如RPC (Remote Procedure Call) 请求的性能下降趋势将会更加明显。

HDFS最初是为流式访问大文件开发的，访问大量小文件，block块在不同的节点上，则需要不断的从一个DataNode跳到另一个DataNode，严重影响性能。

即使NameNode能够存储大量的小文件信息，对于hive，spark计算时，小文件同时也意味着需要更多的task和资源，处理大量小文件的速度远远大于处理同等大小的大文件的速度。这是因为每一个小文件要占用一个slot，而task启动将耗费大量时间甚至大部分时间都耗费在启动task和释放task上，同样也会导致节点异常。

原因分析及危害

因此，总的来说，导致出现小文件问题的原因主要有以下几类：

1） 用户在进行小批量、频繁的数据写入和更新操作的时候，会产生大量的小文件；

2） Torc表compact多次合并失败后进入黑名单，导致小文件不再继续合并；

3） 采用不规范的sql语句，导致单次事务产生的都是小文件；

4） 往动态分区插入数据可能会产生大量的小文件，从而导致Map数量剧增。这是因为假设动态分区有n个分区，数据插入动态分区阶段产生了m个Map任务，则会产生n*m个文件，从而带来很多小文件。对于多级动态分区，n值往往会变得很大；对于大的数据量，m值也往往会变得很大。

5） 表设计不合理的情况下会产生非常多的小文件，比如：

• 使用范围分区表，如果分区跨度小，分区字段选择不当，字段值分布不均匀等情况，则会导致单分区内的数据量小，小文件过多，增加文件系统的负担。单值分区设置不合理也会导致这个情况；
• 如果使用动态分区表来做数据的存储入库时，在设计分区分桶的时候不合理，比如分区不均匀，字段选择不当也会导致底层有大量的小文件；
• 再或者说非分区表的分桶设置过大，数据平均分布，导致底层文件利用率低，每个桶文件大小几KB，从而产生小文件，或者分桶字段设置不合理，导致数据倾斜，从而产生小文件；
• 而且不同的表类型，如textfile表，csvfile表，orc/TORC表，hyperbase表，search表，holodesk表等等，不同表类型适用于不同的业务场景，使用不当也极有可能会造成小文件问题产生。

6） HDFS的设计建立在更多的响应"一次写入、多次读写"任务的基础上。这意味着一个数据集一旦由数据源生成，就会被复制分发到不同的存储节点中，然后响应各种各样的数据分析任务请求。而且HDFS主要是为了处理大型数据集分析任务，所以为了达到高的数据吞吐量，需要并行处理大量数据，同时也需要大量的计算和存储资源来支持并发处理，这可能导致资源之间的竞争和争用。因此需要以高延迟作为代价。比如我们使用 Spark Streaming 从外部数据源接收数据，然后经过 ETL 处理之后存储到 HDFS 中。这种情况下在每个 Job 中都会产生大量的小文件。

7） 数据源自身存在问题也会造成小文件问题，比如因为历史数据流程导致的情况，这些数据一般是从别的数据库迁移过来，后续没有进行治理；也可能数据源本身就是大量的小文件或落盘参数不合理。例如需要接入的数据文件即是大量文件，如照片,文档等非结构化数据的接入（原始数据就是大量小文件，所以存储到HDFS上必定也是小文件）；

综上所述，出现小文件问题的可能性有很多，从上游到下游的各个步骤都有可能产生小文件，但无论是什么原因，都有可能会导致下述情况：

• 写入和查询性能衰减，批处理性能下降；
• HDFS的Namenode内存增大，内存占用高；
• Map/Reduce tasks数增多，Mapper和Reducer数量增加，占据调度时间，寻址时间更高；
• 长尾效应：大文件处理时间长，小文件处理时间短，浪费资源；
• 增加计算资源的开销，增加集群的负载压力，影响性能；
• Namenode崩溃；
• ...

综上所述，小文件是特别常见的现象，解决小文件问题迫在眉睫！！！

由于篇幅原因，下一篇将为您介绍在不同阶段下出现的小文件问题如何解决。

tips.如何判断小文件是否过多？

通常，空文件以及小于10M的文件可以判断为小文件，那么判断小文件是否过多可参考下方方式：

• 查看单表的小文件个数，一般小文件超过1000个即可判断为小文件过多；
• 对于text/orc/torc表，可以通过星环的巡检工具巡检，并下载巡检报告，查看表的小文件数据量和占比；

• 对于星环holodesk表，可以通过DBA页面查看：登录DBA，依次选择：存储-->数据库-->统计--> holodesk，可以查看单表的小文件个数，进而判断小文件是否过多。