(14)Hive调优——合并小文件

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；

  

  （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：

                    

                    （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