hive小文件合并
小文件带来的问题
关于这个问题的阐述可以读一读Cloudera的这篇文章。简单来说,HDFS的文件元信息,包括位置、大小、分块信息等,都是保存在NameNode的内存中的。每个对象大约占用150个字节,因此一千万个文件及分块就会占用约3G的内存空间,一旦接近这个量级,NameNode的性能就会开始下降了。
此外,HDFS读写小文件时也会更加耗时,因为每次都需要从NameNode获取元信息,并与对应的DataNode建立连接。对于MapReduce程序来说,小文件还会增加Mapper的个数,每个脚本只处理很少的数据,浪费了大量的调度时间。当然,这个问题可以通过使用CombinedInputFile和JVM重用来解决。
Hive小文件产生的原因
Reducer数量太多
解决方法
解决小文件的问题可以从两个方向入手:
- 1、 输入合并。即在Map前合并小文件
- 2、 输出合并。即在输出结果的时候合并小文件
思维导图如下:
配置Map输入合并
开关
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
可以开启Map前进行小文件合并
阈值
-- 每个Map最大输入大小,决定合并后的文件数
set mapred.max.split.size=256000000;
-- 一个节点上split的至少的大小,决定了多个data node上的文件是否需要合并
set mapred.min.split.size.per.node=100000000;
-- 一个交换机下split的至少的大小,决定了多个交换机上的文件是否需要合并
set mapred.min.split.size.per.rack=100000000;
配置Hive结果合并(分map only任务和mapred两种)
开关
hive.merge.mapfiles #在map-only job后合并文件,默认true
hive.merge.mapredfiles #在map-reduce job后合并文件,默认false
我们可以通过一些配置项来使Hive在执行结束后对结果文件进行合并:
hive.merge.size.per.task #合并后每个文件的大小,默认256000000
hive.merge.smallfiles.avgsize #平均文件大小,是决定是否执行合并操作的阈值,默认16000000
配置完成后hive具体怎么合并小文件
Hive在对结果文件进行合并时会执行一个额外的map-only任务,mapper的数量是文件总大小除以size.per.task参数所得的值
,
触发合并的条件是:
根据查询类型不同,相应的mapfiles/mapredfiles参数需要打开;
结果文件的平均大小需要大于avgsize参数的值。