降低大数据存储成本的一些措施
一、生命周期
- 分区表必须设定生命周期
- 测试桶必须设定生命周期
- 回收站必须设定生命周期
- 碎片必须设定生命周期
- 数据分层根据不同的使用频率进入的层
二、无用清理
- 无用的表,不再使用的
- 回收站数据,不能自动清理的
- 数据碎片,没设定自动清理的
- 游离数据,不受表管理的
- 测试数据,测试桶可设定生命周期自动清理
- 中间结果,异常终止导致的.hive-staging、.spark-staging
- 组件下线,清理airflow-log、kylin-log
三、存储格式
- 字段类型
- 列式存储
- 压缩格式
- 提高压缩率: 分区内排序( sort by, distributed by)、按主键shuffle(repartition(num,primary_ke) )
四、文件大小治理
小文件的危害: 按object数量收费、收费的最小文件限制
大文件的危害: 写出慢
五、其它
- 只是对外控制权限的表视图化, 避免计算和存储成本
- 尽量内网访问,一般外网流出费用很高