(14)Hive调优——合并小文件

07-17 1532阅读

目录

一、小文件产生的原因

二、小文件的危害

三、小文件的解决方案

3.1 小文件的预防

3.1.1 减少Map数量

 3.1.2 减少Reduce的数量

3.2 已存在的小文件合并

3.2.1 方式一:insert overwrite (推荐)

 3.2.2 方式二:concatenate

 3.2.3 方式三:使用hive的archive归档

3.2.4 方式四:hadoop getmerge

一、小文件产生的原因

  • 数据源本身就包含大量的小文件,例如api,kafka消息管道等。
  • 动态分区插入数据的时候,会产生大量的小文件,从而导致map数量剧增;;
  • reduce 数量越多,小文件也越多,小文件数量=ReduceTask数量*分区数;
  • hive中的小文件是向 hive 表中导入数据时产生;

    向 hive 中导入数据的几种方式:

    (1)直接向表中插入数据

    insert into table t_order2 values (1,'zhangsan',88),(2,'lisi',61);

         这种方式每次插入时都会产生一个小文件,多次插入少量数据就会出现多个小文件,故这种方式生产环境基本不使用;

    (14)Hive调优——合并小文件

    (2)通过load方式加载数据

    -- 导入文件
    load data local inpath "/opt/module/hive_data/t_order.txt" overwrite into table t_order;
    -- 导入文件夹
    load data local inpath "/opt/module/hive_data/t_order" overwrite into table t_order;
    

         使用 load方式可以导入文件或文件夹,当导入一个文件时,hive表就有一个文件,当导入文件夹时,hive表的文件数量为文件夹下所有文件的数量;

    (3)通过查询方式加载数据

    insert overwrite t_order  select oid,uid from t_order2

       这种方式是生产环境中经常用的,也是最容易产生小文件的方式。insert 导入数据时会启动MR任务,MR-reduce的个数与输出文件个数一致。

        因此,hdfs的文件数量=  reduceTask数量* 分区数,有些fetch本地抓取任务(例如:简单的 select * from tableA)仅有map阶段,那此时文件个数 = mapTask数量*分区数

    二、小文件的危害

            小文件通常是指文件大小要比HDFS块大小(一般是128M)还要小很多的文件。

    • NameNode在内存中维护整个文件系统的元数据镜像、其中每个HDFS文件元数据信息(位置、大小、分块等)对象约占150字节,如果小文件过多会占用大量内存,会直接影响NameNode性能。相对的,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pipeline连接。

    • 从 Hive 角度看,一个小文件会开启一个 MapTask,一个 MapTask开一个 JVM 去执行,这些任务的启动及初始化,会浪费大量的资源,严重影响性能。

      三、小文件的解决方案

         小文件的解决思路主要有两个方向:1.小文件的预防;2.已存在的小文件合并

      3.1 小文件的预防

           通过调整参数进行合并,在 hive 中执行 insert overwrite  tableA select xx  from tableB 之前设置如下合并参数,即可自动合并小文件。

      3.1.1 减少Map数量

               在Map前进行输入合并,从而减少mapper任务的数量。

      • 设置map输入时的合并参数:
        #Map前进行小文件合并
        #CombineHiveInputFormat底层是 Hadoop的CombineFileInputFormat方法,该方法是在mapper中将多个文件合成一个split切片作为输入
        set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; -- 默认开启
        #每个Map最大的输入数据量(这个值决定了合并后文件的数量,会影响mapper数量)
        set mapred.max.split.size=256*1000*100;   -- 默认是256M
        #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=100*100*100;  -- 100M
        #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=100*100*100; -- 100M
        • 设置map端输出时和reduce端输出时的合并参数:
          #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;   -- 256M
          #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;   -- 16M
          • 启用压缩(小文件合并后,也可以选择启用压缩)
            # hive的查询结果输出是否进行压缩
            set hive.exec.compress.output=true;
            # MapReduce Job的结果输出是否使用压缩
            set mapreduce.output.fileoutputformat.compress=true;
            #设置压缩方式是snappy
            set parquet.compression = snappy;
            

             3.1.2 减少Reduce的数量

            #reduce的个数决定了输出的文件的个数,所以可以调整reduce的个数控制hive表的文件数量,
            #通过设置reduce的数量,利用distribute by使得数据均衡的进入每个reduce。
            #设置reduce的数量有两种方式,第一种是直接设置reduce个数
            set mapreduce.job.reduces=10;
            #第二种是设置每个reduceTask的大小,Hive会根据数据总大小猜测确定一个reduce个数
            set hive.exec.reducers.bytes.per.reducer=512*1000*1000; -- 默认是1G,这里为设置为5G
            #执行以下语句,将数据均衡的分配到reduce中
            set mapreduce.job.reduces=10;
            insert overwrite table A partition(dt)
            select * from B
            distribute by  cast(rand()*10 as int);
            解释:如设置reduce数量为10,则使用cast(rand()*10 as int),生成0-10之间的随机整数,根据【随机整数 % 10】计算分区编号,这样数据就会均衡的分发到各reduce中,防止出现有的文件过大或过小
            

            3.2 已存在的小文件合并

                  对集群上已存在的小文件进行定时或实时的合并操作,定时操作可在访问低峰期操作,如凌晨2点,合并操作主要有以下几种方式:

            3.2.1 方式一:insert overwrite (推荐)

            执行流程总体如下:

            (1)创建备份表(创建备份表时需和原表的表结构一致)

            create table test.table_hive_back like test.table_hive ;

            (2)设置合并文件相关参数,并使用insert overwrite 语句读取原表,再插入备份表

            • 设置合并文件相关参数

                     使用 hive的merger合并参数,在正式 insert overwrite 之前做一个合并,合并的时候注意设置好压缩,不然文件会比较大。

              • 合并文件至备份表中,执行前保证没有数据写入原表
                #如果有多级分区,将分区名放到partition中
                insert overwrite table test.table_hive_back partition(batch_date) 
                select * from test.table_hive;
                

                 ps:insert overwrite table test.table_hive_back 备份表的时候,可以使用distribute by 命令设置合并后的batch_date分区下的文件数据量

                insert overwrite table 目标表 [partition(hour=...)] select * from 目标表 
                distribute by cast( rand() * 具体最后落地生成多少个文件数 as int);
                • insert overwrite:会重写数据,先进行删除后插入(不用担心如果overwrite失败,数据没了,这里面是有事务保障的);

                • distribute by分区:能控制数据从map端发往到哪个reduceTask中,distribute by的分区规则:分区字段的hashcode值对reduce 个数取模后, 余数相同的数据会分发到同一个reduceTask中。

                • rand()函数:生成0-1的随机小数,控制最终输出多少个文件。

                  # 使用distribute by rand()将数据随机分配给reduce,这样可以使得每个reduce处理的数据大体一致。 避免出现有的文件特别大, 有的文件特别小,例如:控制dt分区目录下生成100个文件,那么hsql如下:
                  insert overwrite table A partition(dt)
                   select * from B
                  distribute by cast(rand()*100 as int);
                  #cast(rand()*100 as int) 可以生成0-100的随机整数

                       如果合并之后的文件竟然还变大了,可能是 select from的原数据是被压缩的,但是insert overwrite目标表的时候,没有设置输出文件压缩功能,解决方案:

                  # hive的查询结果输出是否进行压缩
                  set hive.exec.compress.output=true;
                  # MapReduce Job的结果输出是否使用压缩
                  set mapreduce.output.fileoutputformat.compress=true;
                  #设置压缩方式是snappy
                  set parquet.compression = snappy;
                  

                  (3)确认表数据一致后,将原表修改名称为临时表tmp,将备份表修改名称为原表

                  • 先查看原表和备份表数据量,确保表数据一致
                    #查看原表和备份表数据量
                    set hive.compute.query.using.stats=false ;
                    set hive.fetch.task.conversion=none;
                    SELECT count(*) FROM test.table_hive;
                    SELECT count(*) FROM test.table_hive_back ;
                    • 将原表修改名称为临时表tmp,将备份表修改名称为原表
                      alter table test.table_hive rename to test.table_hive_tmp;
                      alter table test.table_hive_back rename to test.table_hive ;

                      (4)查看合并后的分区数和小文件数量

                          正常情况下:hdfs文件系统上的table_hive表的分区数量没有改变,但是每个分区的几个小文件已经合并为一个文件。

                      #统计合并后的分区数
                      [atguigu@bigdata102 ~]$ hdfs dfs -ls /user/hive/warehouse/test/table_hive
                      #统计合并后的分区数下的文件数
                      [atguigu@bigdata102 ~]$ hdfs dfs -ls /user/hive/warehouse/test/table_hive/batch_date=20210608

                        例如:

                      (14)Hive调优——合并小文件

                      (5)观察一段时间后再删除临时表

                      drop  table test.table_hive_tmp ;
                      

                           ps:注意修改hive表名的时候,对应表的存储路径会发生变化,如果有新的任务上传数据到具体路径,需要注意可能需要修改。

                       3.2.2 方式二:concatenate

                            对于orc文件,可以使用hive自带的 concatenate 命令,自动合并小文件

                      #对于非分区表
                      alter table test concatenate;
                      #对于分区表
                      alter table test [partition(...)] concatenate
                      #例如:alter table test partition(dt='2021-05-07',hr='12') concatenate;

                      注意: 

                      • concatenate 命令只支持 rcfile和 orc文件类型。 
                      • concatenate命令合并小文件时不能指定合并后的文件数量,但可以多次执行该命令。 
                      • 当多次使用concatenate后文件数量不变化,这个跟参数 mapreduce.input.fileinputformat.split.minsize=256mb 的设置有关,可设定每个文件的最小size。

                         3.2.3 方式三:使用hive的archive归档

                            每日定时脚本,对于已经产生小文件的hive表使用har归档,然后已归档的分区不能insert overwrite ,必须先unarchive

                        #用来控制归档是否可用
                        set hive.archive.enabled=true;
                        #通知Hive在创建归档时是否可以设置父目录
                        set hive.archive.har.parentdir.settable=true;
                        #控制需要归档文件的大小
                        set har.partfile.size=256000000;
                        #对表的某个分区进行归档
                        alter table test_rownumber2 archive partition(dt='20230324');
                        #对已归档的分区恢复为原文件
                        alter table test_rownumber2 unarchive partition(dt='20230324');
                        

                        3.2.4 方式四:hadoop getmerge

                          对于txt格式的文件可以使用hadoop getmerge命令来合并小文件。使用 getmerge 命令先合并数据到本地,再通过put命令回传数据到hdfs。

                        • 将hdfs上分区为pdate=20220815,文件路径为  /user/hive/warehouse/xxxx.db/xxxx/pdate=20220815/* 下载到linux 本地进行合并文件,本地路径为:/home/hadoop/pdate/20220815

                                   hadoop fs -getmerge  /user/hive/warehouse/xxxx.db/xxxx/pdate=20220815/*  /home/hadoop/pdate/20220815;

                          •  将hdfs源分区数据删除

                                    hadoop fs -rm  /user/hive/warehouse/xxxx.db/xxxx/pdate=20220815/*

                            • 在hdfs上新建分区

                                    hadoop fs -mkdir -p /user/hive/warehouse/xxxx.db/xxxx/pdate=20220815

                              • 将本地合并后的文件回传到hdfs上

                                         hadoop fs -put  /home/hadoop/pdate/20220815  /user/hive/warehouse/xxxx.db/xxxx/pdate=20220815/*

                                参考文章:

                                HIVE中小文件问题_hive小文件产生的原因-CSDN博客

                                Hive教程(09)- 彻底解决小文件的问题-阿里云开发者社区

                                0704-5.16.2-如何使用Hive合并小文件-腾讯云开发者社区-腾讯云

VPS购买请点击我

文章版权声明:除非注明,否则均为主机测评原创文章,转载或复制请以超链接形式并注明出处。

目录[+]