hive大量小文件处理方法总结

大量的小文件对namenode产生很大压力，加上最近平台要求清理小文件。下面总结一下工作中用到的小文件方法。
1.参数法（普遍方法，适用于大量map端小文件和reduce后数据量还比较大。比如：日志文件从text格式insert到orc格式）
1.map端参数
set mapred.max.split.size=256000000;//每个Map最大输入大小
set mapred.min.split.size=256000000;//每个Map最小输入大小
set mapred.min.split.size.per.node=100000000;//一个DataNode上总文件至少大小
set mapred.min.split.size.per.rack=100000000;//一个交换机下总文件至少的大小
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;//执行Map前进行小文件合并
set hive.merge.mapfiles = true //设置map端输出进行合并，默认为true
2.reduce端参数
set hive.merge.size.per.task = 256000000//reduce输出文件的大小
set hive.merge.smallfiles.avgsize=16000000//当输出文件的平均大小小于该值时，启动一个独立的MapReduce任务进行文件merge
set hive.merge.mapredfiles = true//设置reduce端输出进行合并，默认为false
3.设置reduce个数（需要SQL有reduce过程）
set mapred.reduce.tasks=5
2.设置表的存储格式为Sequencefile（主要用于统计结果的SQL，reduce量结果比较小）
3.使用HAR归档文件
set hive.archive.enabled=true;
set hive.archive.har.parentdir.settable=true;
set har.partfile.size=2560000000000;
ALTER TABLE table_name ARCHIVE PARTITION (XXX）
4.使用distribute by col(此方法适用那些只有map没有reduce的SQL，特别是hive on spark。)
比如select
time,
id
from page
distribute by rand()//distribute by substr(time,0,5)
注意：
1.在hive上使用则受制于reduce数。最好设置reduce数=分桶数（substr(time,0,5) ）
2.在hive on spark使用，最好设置shuffle并发数或者开启SparkSQL自适应执行。hive on spark在map端即使设置hive相应参数也没有作用，task个数依然等于HDFS文件数，除非使用Scala编写程序。对于统计时间周期比较长，则最好使用相应周期的表，比如日统计周期用日表，不要用小时表这样可以减少大量的task。同时该方法只是人为增加reduce过程。
5.在统计结果后再增加一个insert overwrite操作（普遍方法，特别是对于那些统计结果（reduce）产生的小文件效果特别好）
此方法相当于启动一个独立的MapReduce任务进行文件merge。