你好,游客 登录
背景:
阅读新闻

大数据-Hadoop小文件问题解决方案

[日期:2018-04-20] 来源:公众账号  作者: [字体: ]

大数据

HDFS中小文件是指文件size小于HDFS上block( dfs.block.size )大小的文件。大量的小文件会给hadoop的扩展性和性能带来严重的影响。

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的个数和输出文件个数一致

  3. 数据源本身就是大量的小文件

小文件问题的影响

  1. 从Mapreduce的角度看,一个文件会启动一个map,所以小文件越多,map也越多,一个map启动一个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,严重的影响性能。

  2. 从HDFS角度看,HDFS中文件元信息(位置,大小,分块等)保存在NameNode的内存中,每个对象大约占用150字节,如果小文件过多,会占用大量内存,直接影响NameNode的性能;HDFS读写小文件也会更加耗时,因为每次都需要从NameNode获取元信息,并与对应的DataNode建立连接。

如何解决小文件问题

  1. 输入合并,在Map前合并小文件

  2. 输出合并,在输出结果的时候合并小文件

  3. 控制reduce个数来实现减少小文件个数

配置Map输入合并

可以通过在输入mapper的之前将是输入合并,以减少map的个数。

-- 每个Map最大输入大小,决定合并后的文件数
set mapred.max.split.size=256000000;
-- 一个节点上split的至少的大小 ,决定了多个data node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,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;

配置Hive输出结果合并

-- 在map-only job后合并文件,默认true
set hive.merge.mapfiles=true;
-- 在map-reduce job后合并文件,默认false
set hive.merge.mapredfiles=true;
-- 设置合并后文件大大小,默认256000000
set hive.merge.size.per.task=256000000;
-- 当输出文件的平均值大小小于该值是,启动一个独立的MR任务进行文件merge,是决定是否执行合并操作的阈值,默认16000000
set hive.merge.smallfiles.avgsize=16000000;

Hadoop Archive(HAR)

Hadoop Archive是一种特殊的归档格式,Hadoop Archive映射到文件系统目录,一个HAR是以扩展名 .har 结尾 ,一个HAR目录包含元数据(以_index和_masterindex的形式)和data(part-*)文件。_index文件包含文件名称,这些文件是归档的一部分,并且包含这些文件在归档中的位置。

Hadoop Archive是一个高效地将小文件放入HDFS块中的文件存档工具,它能将多个小文件打包成一个HAR文件,这样在减少NameNode内存使用的同时,仍然允许对文件进行透明的访问。

使用hadoop命令进行文件归档

hadoop archive -archiveName name -p <parent> <src>* <dest>

hadoop archive -archiveName zoo.har -p /foo/bar /outputdir

可以通过设置 -Dhar.block.size 参数来指定HAR的大小。

在Hive中进行归档处理

Hive支持将已存的分区转换为HAR,从而使得分区下的文件数目大大减少。但是从HAR读数据需要额外的开销,因此查询归档下数据可能会变慢。

set hive.archive.enabled= true;set hive.archive.har.parentdir.settable= true;set har.partfile.size=1099511627776;ALTER TABLE test ARCHIVE PARTITION(year='2017');ALTER TABLE test UNARCHIVE PARTITION(year='2017');

如果不是分区表,可以创建成外部表,使用 har:// 协议来指定路径。

SequenceFile

SequenceFile是一个由二进制序列化过的key/value字节流组成的文本存储文件,它可以在map/reduce过程中的input/output的format时被使用。在map/reduce过程中,map处理文件的临时输出就是使用SequenceFile处理过的。

使用SequenceFile作为表存储格式。

create table test2
STORED AS SEQUENCEFILEAS SELECT * FROM test;

控制reducer个数

为了提升MR的运算速度,可以通过增加reducer的个数,Hive也会做类似的优化,Reducer数量等于源数据量除以 hive.exec.reducers.bytes.per.reducer 所配置的量(默认是1G)。Reducer的数量决定了结果文件的数量。所以在合适的情况下控制reducer的数量,可以实现减少小文件数量。

reducer决定因素:

  • hive.exec.reducers.bytes.per.reducer :这个参数控制一个job会有多少个reducer来处理,依据的是输入文件的总大小。默认1GB。

  • hive.exec.reducers.max :这个参数控制最大的reducer的数量, 如果 input / bytes per reduce > max 则会启动这个参数所指定的reduce个数。  这个并不会影响 mapre.reduce.tasks 参数的设置。默认的max是999。

  • mapred.reduce.tasks :这个参数如果指定了,hive就不会用它的estimation函数来自动计算reduce的个数,而是用这个参数来启动reducer。默认是-1.

在hive中可以通过调整上面三个参数实现控制reducer的个数。





收藏 推荐 打印 | 录入:Cstor | 阅读:
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款