Hive优化之小文件问题及其解决方案

小文件是如何产生的

1.动态分区插入数据，产生大量的小文件，从而导致map数量剧增。

2.reduce数量越多，小文件也越多(reduce的个数和输出文件是对应的)。

3.数据源本身就包含大量的小文件。

小文件问题的影响

1.从Hive的角度看，小文件会开很多map，一个map开一个JVM去执行，所以这些任务的初始化，启动，执行会浪费大量的资源，严重影响性能。

2.在HDFS中，每个小文件对象约占150byte，如果小文件过多会占用大量内存。这样NameNode内存容量严重制约了集群的扩展。

小文件问题的解决方案

从小文件产生的途经就可以从源头上控制小文件数量，方法如下：

1.使用Sequencefile作为表存储格式，不要用textfile，在一定程度上可以减少小文件。

2.减少reduce的数量(可以使用参数进行控制)。

3.少用动态分区，用时记得按distribute by分区。

对于已有的小文件，我们可以通过以下几种方案解决：

1.使用hadoop archive命令把小文件进行归档。

2.重建表，建表时减少reduce数量。

3.通过参数进行调节，设置map/reduce端的相关参数，如下：

设置map输入合并小文件的相关参数：

[java] view plain copy

1. //每个Map最大输入大小(这个值决定了合并后文件的数量)
2. set mapred.max.split.size=256000000;
3. //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)
4. set mapred.min.split.size.per.node=100000000;
5. //一个交换机下split的至少的大小(这个值决定了多个交换机上的文件是否需要合并)
6. set mapred.min.split.size.per.rack=100000000;
7. //执行Map前进行小文件合并
8. set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

设置map输出和reduce输出进行合并的相关参数：

[java] view plain copy

1. //设置map端输出进行合并，默认为true
2. set hive.merge.mapfiles = true
3. //设置reduce端输出进行合并，默认为false
4. set hive.merge.mapredfiles = true
5. //设置合并文件的大小
6. set hive.merge.size.per.task = 256*1000*1000
7. //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。
8. set hive.merge.smallfiles.avgsize=16000000