Hive优化之小文件问题及其解决方案
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Hive优化之小文件问题及其解决方案相关的知识,希望对你有一定的参考价值。
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:
- //每个Map最大输入大小(这个值决定了合并后文件的数量)
- set mapred.max.split.size=256000000;
- //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)
- set mapred.min.split.size.per.node=100000000;
- //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)
- set mapred.min.split.size.per.rack=100000000;
- //执行Map前进行小文件合并
- 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:
- //设置map端输出进行合并,默认为true
- set hive.merge.mapfiles = true
- //设置reduce端输出进行合并,默认为false
- set hive.merge.mapredfiles = true
- //设置合并文件的大小
- set hive.merge.size.per.task = 256*1000*1000
- //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.smallfiles.avgsize=16000000
以上是关于Hive优化之小文件问题及其解决方案的主要内容,如果未能解决你的问题,请参考以下文章