hive企业级调优策略之小文件合并

测试所用到的数据参考:

原文链接:https://blog.csdn.net/m0_52606060/article/details/135080511
本教程的计算环境为Hive on MR。计算资源的调整主要包括Yarn和MR。

优化说明

小文件合并优化,分为两个方面,分别是Map端输入的小文件合并,和Reduce端输出的小文件合并。

Map端输入文件合并

合并Map端输入的小文件,是指将多个小文件划分到一个切片中,进而由一个Map Task去处理。目的是防止为单个小文件启动一个Map Task,浪费计算资源。
相关参数为:
–可将多个小文件切片,合并为一个切片,进而由一个map任务处理

set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; 

Reduce输出文件合并

合并Reduce端输出的小文件,是指将多个小文件合并成大文件。目的是减少HDFS小文件数量。其原理是根据计算任务输出文件的平均大小进行判断,若符合条件,则单独启动一个额外的任务进行合并。
相关参数为:
–开启合并map only任务输出的小文件

set hive.merge.mapfiles=true;

–开启合并map reduce任务输出的小文件

set hive.merge.mapredfiles=true;

–合并后的文件大小

set hive.merge.size.per.task=256000000;

–触发小文件合并任务的阈值,若某计算任务输出的文件平均大小低于该值,则触发合并

set hive.merge.smallfiles.avgsize=16000000;

优化案例

(1)示例用表
现有一个需求,计算各省份订单金额总和,下表为结果表。

drop table if exists order_amount_by_province;
create table order_amount_by_province(
    province_id string comment '省份id',
    order_amount decimal(16,2) comment '订单金额'
)
location '/order_amount_by_province';

(2)示例SQL语句

insert overwrite table order_amount_by_province
select
    province_id,
    sum(total_amount)
from order_detail
group by province_id;

(3)优化前
根据任务并行度一节所需内容,可分析出,默认情况下,该sql语句的Reduce端并行度为5,故最终输出文件个数也为5,下图为输出文件,可以看出,5个均为小文件。
在这里插入图片描述

在这里插入图片描述

(4)优化思路
若想避免小文件的产生,可采取方案有两个。
(1)合理设置任务的Reduce端并行度
若将上述计算任务的并行度设置为1,就能保证其输出结果只有一个文件。

set mapreduce.job.reduces=1;

再次执行上述的insert语句,观察结果表中的文件,只剩一个了。
在这里插入图片描述

在这里插入图片描述

(2)启用Hive合并小文件优化
设置以下参数:
–开启合并map reduce任务输出的小文件

set hive.merge.mapredfiles=true;

–合并后的文件大小

set hive.merge.size.per.task=256000000;

–触发小文件合并任务的阈值,若某计算任务输出的文件平均大小低于该值,则触发合并

set hive.merge.smallfiles.avgsize=16000000;

再次执行上述的insert语句,观察结果表中的文件,只剩一个了。
在这里插入图片描述

在这里插入图片描述

相关推荐

  1. Hive总结

    2023-12-21 05:08:03       41 阅读

最近更新

  1. docker php8.1+nginx base 镜像 dockerfile 配置

    2023-12-21 05:08:03       91 阅读
  2. Could not load dynamic library ‘cudart64_100.dll‘

    2023-12-21 05:08:03       97 阅读
  3. 在Django里面运行非项目文件

    2023-12-21 05:08:03       78 阅读
  4. Python语言-面向对象

    2023-12-21 05:08:03       88 阅读

热门阅读

  1. Elasticsearch之ik中文分词篇

    2023-12-21 05:08:03       59 阅读
  2. sql44(Leetcode1667修复表中的名字)

    2023-12-21 05:08:03       59 阅读
  3. 算法基础课-基础算法-二分-数的三次方根

    2023-12-21 05:08:03       68 阅读
  4. .gitignore和git lfs学习

    2023-12-21 05:08:03       53 阅读
  5. 大论文数据处理及分析

    2023-12-21 05:08:03       57 阅读
  6. 【ARM 安全系列介绍 3.1 -- 数字签名算法 ECDSA】

    2023-12-21 05:08:03       54 阅读