Hadoop 小文件处理理论在Hive数据处理上的落地-Hadoop商业环境实战

版权声明：本套技术专栏是作者（秦凯新）平时工作的总结和升华，通过从真实商业环境抽取案例进行总结和分享，并给出商业应用的调优建议和集群环境容量规划等内容，请持续关注本套博客。QQ邮箱地址：1120746959@qq.com，如有任何技术交流，可随时联系。

1 问题陈述

• 小文件是指文件size小于HDFS上block大小的文件。这样的文件会给hadoop的扩展性和性能带来严重问题。首先，在HDFS中，任何block，文件或者目录在内存中均以对象的形式存储，每个对象约占150byte，如果有10000000个小文件，每个文件占用一个block，则namenode大约需要2G空间。如果存储1亿个文件，则namenode需要20G空间。namenode内存容量严重制约了集群的扩展。
• 访问大量小文件速度远远小于访问几个大文件。HDFS最初是为流式访问大文件开发的，如果访问大量小文件，需要不断的从一个datanode跳到另一个datanode，严重影响性能。最后，处理大量小文件速度远远小于处理同等大小的大文件的速度。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。

2 解决方案

Hadoop本身也提供了几个解决方案，分别为：Hadoop Archive，Sequence file和CombineFileInputFormat。

2.1 Hadoop Archive

• Hadoop Archive或者HAR，是一个高效地将小文件放入HDFS块中的文件存档工具，它能够将多个小文件打包成一个HAR文件，这样在减少namenode内存使用的同时，仍然允许对文件进行透明的访问。

     (1) 对某个目录/foo/bar下的所有小文件存档成/outputdir/ zoo.har：
    
        hadoop archive -archiveName zoo.har -p /foo/bar /outputdir
        当然，也可以指定HAR的大小(使用-Dhar.block.size)。
        
     (2) HAR的访问路径可以是以下两种格式：
        har://scheme-hostname:port/archivepath/fileinarchive
        har:///archivepath/fileinarchive(本节点)
        
        可以这样查看HAR文件存档中的文件：
        hadoop dfs -ls har:///user/zoo/foo.har
        输出：
        har:///user/zoo/foo.har/hadoop/dir1
        har:///user/zoo/foo.har/hadoop/dir2
  复制代码

• 使用HAR时需要两点，第一，对小文件进行存档后，原文件并不会自动被删除，需要用户自己删除；第二，创建HAR文件的过程实际上是在运行一个mapreduce作业，因而需要有一个hadoop集群运行此命令。

• 此外，HAR还有一些缺陷：第一，一旦创建，Archives便不可改变。要增加或移除里面的文件，必须重新创建归档文件。第二，要归档的文件名中不能有空格，否则会抛出异常，可以将空格用其他符号替换(使用-Dhar.space.replacement.enable=true 和-Dhar.space.replacement参数)。

2.2 SequenceFile

• sequenceFile文件是Hadoop用来存储二进制形式的[Key,Value]对而设计的一种平面文件(Flat File)。可以把SequenceFile当做是一个容器，把所有的文件打包到SequenceFile类中可以高效的对小文件进行存储和处理。

• SequenceFile文件并不按照其存储的Key进行排序存储，SequenceFile的内部类Writer提供了append功能。SequenceFile中的Key和Value可以是任意类型Writable或者是自定义Writable。

• 在存储结构上，SequenceFile主要由一个Header后跟多条Record组成，Header主要包含了Key classname，value classname，存储压缩算法，用户自定义元数据等信息，此外，还包含了一些同步标识，用于快速定位到记录的边界。每条Record以键值对的方式进行存储，用来表示它的字符数组可以一次解析成：记录的长度、Key的长度、Key值和value值，并且Value值的结构取决于该记录是否被压缩。

    https://blog.csdn.net/bitcarmanlee/article/details/78111289
  复制代码

2.3 CombineFileInputFormat

我们基于Hadoop内置的CombineFileInputFormat来实现处理海量小文件，需要做的工作就很显然了，如下所示：

• 实现一个RecordReader来读取CombineFileSplit包装的文件Block

• 继承自CombineFileInputFormat实现一个使用我们自定义的RecordReader的输入规格说明类

• 处理数据的Mapper实现类

• 配置用来处理海量小文件的MapReduce Job

    https://blog.csdn.net/flyfish778/article/details/47722551
  复制代码

3 Hive的小文件处理

• 配置Map输入合并

• 配置Hive输出结果合并

• 在Hive中进行归档处理 Hive支持将已存的分区转换为HAR，从而使得分区下的文件数目大大减少。但是从HAR读数据需要额外的开销，因此查询归档下数据可能会变慢。

如果不是分区表，可以创建成外部表，使用har://协议来指定路径。

• SequenceFile

• 控制reducer个数 Reducer的数量决定了结果文件的数量。所以在合适的情况下控制reducer的数量，可以实现减少小文件数量。

        引用： http://www.raincent.com/content-85-11297-1.html
复制代码

4 总结

因为工作中用到这个，总结成文，参考多维博客，均表明引用连接，内容粗鄙，勿怪！

秦凯新 于深圳

版权声明：本套技术专栏是作者（秦凯新）平时工作的总结和升华，通过从真实商业环境抽取案例进行总结和分享，并给出商业应用的调优建议和集群环境容量规划等内容，请持续关注本套博客。QQ邮箱地址：1120746959@qq.com，如有任何技术交流，可随时联系。