HIVE如何处理大量小文件

怼烎@ 2022-01-30 11:55 417阅读 0赞

一、    控制hive任务中的map数:   
  
1.    通常情况下，作业会通过input的目录产生一个或者多个map任务。   
主要的决定因素有： input的文件总个数，input的文件大小，集群设置的文件块大小(目前为128M, 可在hive中通过set dfs.block.size;命令查看到，该参数不能自定义修改)；  
  
2.    举例：   
a)    假设input目录下有1个文件a,大小为780M,那么hadoop会将该文件a分隔成7个块（6个128m的块和1个12m的块），从而产生7个map数  
b)    假设input目录下有3个文件a,b,c,大小分别为10m，20m，130m，那么hadoop会分隔成4个块（10m,20m,128m,2m）,从而产生4个map数  
即，如果文件大于块大小(128m),那么会拆分，如果小于块大小，则把该文件当成一个块。  
  
3.    是不是map数越多越好？   
答案是否定的。如果一个任务有很多小文件（远远小于块大小128m）,则每个小文件也会被当做一个块，用一个map任务来完成，  
而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。  
而且，同时可执行的map数是受限的。

4.    是不是保证每个map处理接近128m的文件块，就高枕无忧了？   
答案也是不一定。比如有一个127m的文件，正常会用一个map去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，  
如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时。  
  
针对上面的问题3和4，我们需要采取两种方式来解决：即减少map数和增加map数；  
  
如何合并小文件，减少map数？   
    假设一个SQL任务：  
         Select count(1) from popt\_tbaccountcopy\_mes where pt = ‘2012-07-04’;  
         该任务的inputdir  /group/p\_sdo\_data/p\_sdo\_data\_etl/pt/popt\_tbaccountcopy\_mes/pt=2012-07-04  
         共有194个文件，其中很多是远远小于128m的小文件，总大小9G，正常执行会用194个map任务。  
         Map总共消耗的计算资源： SLOTS\_MILLIS\_MAPS= 623,020  
  
         我通过以下方法来在map执行前合并小文件，减少map数：  
                    set mapred.max.split.size=100000000;  
                    set mapred.min.split.size.per.node=100000000;  
                    set mapred.min.split.size.per.rack=100000000;  
                    set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;  
                 再执行上面的语句，用了74个map任务，map消耗的计算资源：SLOTS\_MILLIS\_MAPS= 333,500  
         对于这个简单SQL任务，执行时间上可能差不多，但节省了一半的计算资源。  
         大概解释一下，100000000表示100M, set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;这个参数表示执行前进行小文件合并，  
         前面三个参数确定合并文件块的大小，大于文件块大小128m的，按照128m来分隔，小于128m,大于100m的，按照100m来分隔，把那些小于100m的（包括小文件和分隔大文件剩下的），  
         进行合并,最终生成了74个块。  
           
如何适当的增加map数？   
  
         当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率。  
         假设有这样一个任务：  
         Select data\_desc,  
                count(1),  
                count(distinct id),  
                sum(case when …),  
                sum(case when ...),  
                sum(…)  
        from a group by data\_desc  
                   如果表a只有一个文件，大小为120M，但包含几千万的记录，如果用1个map去完成这个任务，肯定是比较耗时的，这种情况下，我们要考虑将这一个文件合理的拆分成多个，  
                   这样就可以用多个map任务去完成。  
                   set mapred.reduce.tasks=10;  
                   create table a\_1 as   
                   select \* from a   
                   distribute by rand(123);   
                     
                   这样会将a表的记录，随机的分散到包含10个文件的a\_1表中，再用a\_1代替上面sql中的a表，则会用10个map任务去完成。  
                   每个map任务处理大于12M（几百万记录）的数据，效率肯定会好很多。  
      
   看上去，貌似这两种有些矛盾，一个是要合并小文件，一个是要把大文件拆成小文件，这点正是重点需要关注的地方，  
   根据实际情况，控制map数量需要遵循两个原则：使大数据量利用合适的map数；使单个map任务处理合适的数据量；

二、    控制hive任务的reduce数：   
  
1.    Hive自己如何确定reduce数：   
reduce个数的设定极大影响任务执行效率，不指定reduce个数的情况下，Hive会猜测确定一个reduce个数，基于以下两个设定：  
hive.exec.reducers.bytes.per.reducer（每个reduce任务处理的数据量，默认为1000^3=1G）   
hive.exec.reducers.max（每个任务最大的reduce数，默认为999）  
计算reducer数的公式很简单N=min(参数2，总输入数据量/参数1)  
即，如果reduce的输入（map的输出）总大小不超过1G,那么只会有一个reduce任务；  
如：select pt,count(1) from popt\_tbaccountcopy\_mes where pt = '2012-07-04' group by pt;   
            /group/p\_sdo\_data/p\_sdo\_data\_etl/pt/popt\_tbaccountcopy\_mes/pt=2012-07-04 总大小为9G多，因此这句有10个reduce  
  
2.    调整reduce个数方法一：   
调整hive.exec.reducers.bytes.per.reducer参数的值；  
set hive.exec.reducers.bytes.per.reducer=500000000; （500M）  
select pt,count(1) from popt\_tbaccountcopy\_mes where pt = '2012-07-04' group by pt; 这次有20个reduce  
           
3.    调整reduce个数方法二；   
set mapred.reduce.tasks = 15;  
select pt,count(1) from popt\_tbaccountcopy\_mes where pt = '2012-07-04' group by pt;这次有15个reduce  
  
4.    reduce个数并不是越多越好；   
同map一样，启动和初始化reduce也会消耗时间和资源；  
另外，有多少个reduce,就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；  
  
5.    什么情况下只有一个reduce；   
很多时候你会发现任务中不管数据量多大，不管你有没有设置调整reduce个数的参数，任务中一直都只有一个reduce任务；  
其实只有一个reduce任务的情况，除了数据量小于hive.exec.reducers.bytes.per.reducer参数值的情况外，还有以下原因：  
a)    没有group by的汇总，比如把select pt,count(1) from popt\_tbaccountcopy\_mes where pt = '2012-07-04' group by pt; 写成 select count(1) from popt\_tbaccountcopy\_mes where pt = '2012-07-04';  
这点非常常见，希望大家尽量改写。  
b)    用了Order by  
c)    有笛卡尔积  
通常这些情况下，除了找办法来变通和避免，我暂时没有什么好的办法，因为这些操作都是全局的，所以hadoop不得不用一个reduce去完成；  
同样的，在设置reduce个数的时候也需要考虑这两个原则：使大数据量利用合适的reduce数；使单个reduce任务处理合适的数据量；

## 小文件是如何产生的： ##

1.  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数量的暴增
2.  数据源本身就包含有大量的小文件
3.  reduce个数越多，生成的小文件也越多

## 小文件的危害： ##

1.  从HIVE角度来看的话呢，小文件越多，map的个数也会越多，每一个map都会开启一个JVM虚拟机，每个虚拟机都要创建任务，执行任务，这些流程都会造成大量的资源浪费，严重影响性能
2.  在HDFS中，每个小文件约占150byte，如果小文件过多则会占用大量的内存。这样namenode内存容量严重制约了集群的发展

## 小文件的解决方案 ##

**从小文件的产生途径解决：**

1.  使用sequencefile作为表存储形式，不要使用textfile，在一定程度上可以减少小文件
2.  减少reduce的个数（减少生成分区数量）
3.  少用动态分区，使用distribute by分区

**对已经存在的小文件做出的解决方案：**

1.  使用Hadoop achieve把小文件进行归档
2.  重建表，建表时减少reduce的数量
3.  通过参数调节，设置map/reduce的数量
    
     *  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