Hive文件数创建过多的问题

一 Hive的创建文件数的限制

Hive对文件创建的总数是有限制的，这个限制取决于参数：

hive.exec.max.created.files，默认值是10000。如果现在你的表有60个分区，然后你总共有2000个map，在运行的时候，每一个mapper都会创建60个文件，对应着每一个分区，所以60*2000> 120000，就会报错：exceeds 100000.Killing the job

 

解决办法：

最简单的解决办法就是调大hive.exec.max.created.files参数。

但是如果说数据文件只有400G，那么你调整这个参数比如说40000

平均下来也就差不多每一个文件10.24MB,这样的话就有40000多个小文件，我们知道小文件对于hadoop来讲，不是一件很好的事情。

 

这里就涉及到Hive当中小文件的问题呢，是我们接下俩要说的东西

 

二 Hive之中小文件问题

我们知道小文件的对于Hadoop来讲，在小文件很多的时候，可以把NameNode搞挂掉。

Hive里面什么时候会产生大量小文件呢?

#一个大文件使用动态分区，可能导致大量分区产生，从而产生多很多小文件，也会导致很多的mapper

#Reduce个数越多，小文件越多，Reduce个数和输出文件是一样的

#数据源本身就包含很多的小文件

 

小文件会带来什么影响呢？

#文件的数量和大小会决定mapper任务的数量，所以小文件越多，mapper任务越多，每一个mapper都会启动一个JVM来运行，所以这些任务的初始化和执行会花费大量的资源，严重影响性能

#  在NameNode每一个小文件的大约占150字节，小文件太多，会严重影响NameNode

 

如何解决小文件的 问题

#如果动态分区不可预知的情况下，最好别用，如果用也最好distributedby 分区字段，这样我们知道会对字段进行一个hash操作，这样就会把相同的相同的分区给同一个Reduce去处理

#如果Reduce数量太多，则减少reduce的数量

#进行一些参数设置

设置 mapper输入文件合并一些参数

 

mapper执行前进行小文件的合并

hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

mapred.max.split.size： 每一个mapper最大的输入大小

一个节点上split的至少的大小(这个值决定了多个DataNode上的文件是否需要合并)

mapred.min.split.size.per.node

一个机架下split的至少的大小(这个值决定了该机架下的文件是否需要合并)

mapred.min.split.size.per.rack

 

设置 map输出和reduce输出进行合并的相关参数

hive.merge.mapfiles= true 

设置reduce端输出进行合并，默认为false 

hive.merge.mapredfiles= true

设置合并文件的大小

hive.merge.size.per.task= 256*1000*1000

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

hive.merge.smallfiles.avgsize=16000000