婷婷深爱激情,成人无码AV高潮大毛片,亚洲韩日中文,亚洲色无码专区观看在线观,操屄视频在线,黄片成人免费,天天爽夜夜爽一区二区三区,一级片黄色视频

小文件產(chǎn)生原因

hive 中的小文件肯定是向 hive 表中導(dǎo)入數(shù)據(jù)時(shí)產(chǎn)生，所以先看下向 hive 中導(dǎo)入數(shù)據(jù)的幾種方式

直接向表中插入數(shù)據(jù)

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

這種方式每次插入時(shí)都會(huì)產(chǎn)生一個(gè)文件，多次插入少量數(shù)據(jù)就會(huì)出現(xiàn)多個(gè)小文件，但是這種方式生產(chǎn)環(huán)境很少使用，可以說(shuō)基本沒(méi)有使用的

通過(guò)load方式加載數(shù)據(jù)

load data local inpath '/export/score.csv' overwrite into table A  -- 導(dǎo)入文件
load data local inpath '/export/score' overwrite into table A   -- 導(dǎo)入文件夾

使用 load 方式可以導(dǎo)入文件或文件夾，當(dāng)導(dǎo)入一個(gè)文件時(shí)，hive表就有一個(gè)文件，當(dāng)導(dǎo)入文件夾時(shí)，hive表的文件數(shù)量為文件夾下所有文件的數(shù)量

通過(guò)查詢方式加載數(shù)據(jù)

insert?overwrite?table?A??select?s_id,c_name,s_score?from?B;

這種方式是生產(chǎn)環(huán)境中常用的，也是最容易產(chǎn)生小文件的方式

insert 導(dǎo)入數(shù)據(jù)時(shí)會(huì)啟動(dòng) MR 任務(wù)，MR中 reduce 有多少個(gè)就輸出多少個(gè)文件

所以，文件數(shù)量=ReduceTask數(shù)量*分區(qū)數(shù)

也有很多簡(jiǎn)單任務(wù)沒(méi)有reduce，只有map階段，則

文件數(shù)量=MapTask數(shù)量*分區(qū)數(shù)

每執(zhí)行一次 insert 時(shí)hive中至少產(chǎn)生一個(gè)文件，因?yàn)?insert 導(dǎo)入時(shí)至少會(huì)有一個(gè)MapTask。
像有的業(yè)務(wù)需要每10分鐘就要把數(shù)據(jù)同步到 hive 中，這樣產(chǎn)生的文件就會(huì)很多。

小文件過(guò)多產(chǎn)生的影響

首先對(duì)底層存儲(chǔ)HDFS來(lái)說(shuō)，HDFS本身就不適合存儲(chǔ)大量小文件，小文件過(guò)多會(huì)導(dǎo)致namenode元數(shù)據(jù)特別大, 占用太多內(nèi)存，嚴(yán)重影響HDFS的性能
對(duì) hive 來(lái)說(shuō)，在進(jìn)行查詢時(shí)，每個(gè)小文件都會(huì)當(dāng)成一個(gè)塊，啟動(dòng)一個(gè)Map任務(wù)來(lái)完成，而一個(gè)Map任務(wù)啟動(dòng)和初始化的時(shí)間遠(yuǎn)遠(yuǎn)大于邏輯處理的時(shí)間，就會(huì)造成很大的資源浪費(fèi)。而且，同時(shí)可執(zhí)行的Map數(shù)量是受限的。

怎么解決小文件過(guò)多

1. 使用 hive 自帶的 concatenate 命令，自動(dòng)合并小文件

使用方法：


#對(duì)于非分區(qū)表alter table A concatenate;
#對(duì)于分區(qū)表alter table B partition(day=20201224) concatenate;

舉例：


#向 A 表中插入數(shù)據(jù)hive (default)> insert into table A values (1,'aa',67),(2,'bb',87);hive (default)> insert into table A values (3,'cc',67),(4,'dd',87);hive (default)> insert into table A values (5,'ee',67),(6,'ff',87);
#執(zhí)行以上三條語(yǔ)句，則A表下就會(huì)有三個(gè)小文件,在hive命令行執(zhí)行如下語(yǔ)句#查看A表下文件數(shù)量hive (default)> dfs -ls /user/hive/warehouse/A;Found 3 items-rwxr-xr-x   3 root supergroup        378 2020-12-24 14:46 /user/hive/warehouse/A/000000_0-rwxr-xr-x   3 root supergroup        378 2020-12-24 14:47 /user/hive/warehouse/A/000000_0_copy_1-rwxr-xr-x   3 root supergroup        378 2020-12-24 14:48 /user/hive/warehouse/A/000000_0_copy_2
#可以看到有三個(gè)小文件，然后使用 concatenate 進(jìn)行合并hive (default)> alter table A concatenate;
#再次查看A表下文件數(shù)量hive (default)> dfs -ls /user/hive/warehouse/A;Found 1 items-rwxr-xr-x   3 root supergroup        778 2020-12-24 14:59 /user/hive/warehouse/A/000000_0
#已合并成一個(gè)文件

注意：?
1、concatenate 命令只支持 RCFILE 和 ORC 文件類型。?
2、使用concatenate命令合并小文件時(shí)不能指定合并后的文件數(shù)量，但可以多次執(zhí)行該命令。?
3、當(dāng)多次使用concatenate后文件數(shù)量不在變化，這個(gè)跟參數(shù) mapreduce.input.fileinputformat.split.minsize=256mb 的設(shè)置有關(guān)，可設(shè)定每個(gè)文件的最小size。

2. 調(diào)整參數(shù)減少M(fèi)ap數(shù)量

設(shè)置map輸入合并小文件的相關(guān)參數(shù)：


#執(zhí)行Map前進(jìn)行小文件合并#CombineHiveInputFormat底層是 Hadoop的 CombineFileInputFormat 方法#此方法是在mapper中將多個(gè)文件合成一個(gè)split作為輸入set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; -- 默認(rèn)
#每個(gè)Map最大輸入大小(這個(gè)值決定了合并后文件的數(shù)量)set mapred.max.split.size=256000000;   -- 256M
#一個(gè)節(jié)點(diǎn)上split的至少的大小(這個(gè)值決定了多個(gè)DataNode上的文件是否需要合并)set mapred.min.split.size.per.node=100000000;  -- 100M
#一個(gè)交換機(jī)下split的至少的大小(這個(gè)值決定了多個(gè)交換機(jī)上的文件是否需要合并)set mapred.min.split.size.per.rack=100000000;  -- 100M

設(shè)置map輸出和reduce輸出進(jìn)行合并的相關(guān)參數(shù):


#設(shè)置map端輸出進(jìn)行合并，默認(rèn)為trueset hive.merge.mapfiles = true;
#設(shè)置reduce端輸出進(jìn)行合并，默認(rèn)為falseset hive.merge.mapredfiles = true;
#設(shè)置合并文件的大小set hive.merge.size.per.task = 256*1000*1000;   -- 256M
#當(dāng)輸出文件的平均大小小于該值時(shí)，啟動(dòng)一個(gè)獨(dú)立的MapReduce任務(wù)進(jìn)行文件mergeset hive.merge.smallfiles.avgsize=16000000;   -- 16M

啟用壓縮


# hive的查詢結(jié)果輸出是否進(jìn)行壓縮set hive.exec.compress.output=true;
# MapReduce Job的結(jié)果輸出是否使用壓縮set mapreduce.output.fileoutputformat.compress=true;

3. 減少Reduce的數(shù)量


#reduce 的個(gè)數(shù)決定了輸出的文件的個(gè)數(shù)，所以可以調(diào)整reduce的個(gè)數(shù)控制hive表的文件數(shù)量，#hive中的分區(qū)函數(shù) distribute by 正好是控制MR中partition分區(qū)的，#然后通過(guò)設(shè)置reduce的數(shù)量，結(jié)合分區(qū)函數(shù)讓數(shù)據(jù)均衡的進(jìn)入每個(gè)reduce即可。
#設(shè)置reduce的數(shù)量有兩種方式，第一種是直接設(shè)置reduce個(gè)數(shù)set mapreduce.job.reduces=10;
#第二種是設(shè)置每個(gè)reduce的大小，Hive會(huì)根據(jù)數(shù)據(jù)總大小猜測(cè)確定一個(gè)reduce個(gè)數(shù)set hive.exec.reducers.bytes.per.reducer=5120000000; -- 默認(rèn)是1G，設(shè)置為5G
#執(zhí)行以下語(yǔ)句，將數(shù)據(jù)均衡的分配到reduce中set mapreduce.job.reduces=10;insert overwrite table A partition(dt)select * from Bdistribute by rand();
解釋：如設(shè)置reduce數(shù)量為10，則使用 rand()， 隨機(jī)生成一個(gè)數(shù) x % 10 ，這樣數(shù)據(jù)就會(huì)隨機(jī)進(jìn)入 reduce 中，防止出現(xiàn)有的文件過(guò)大或過(guò)小

4. 使用hadoop的archive將小文件歸檔

Hadoop Archive簡(jiǎn)稱HAR，是一個(gè)高效地將小文件放入HDFS塊中的文件存檔工具，它能夠?qū)⒍鄠€(gè)小文件打包成一個(gè)HAR文件，這樣在減少namenode內(nèi)存使用的同時(shí)，仍然允許對(duì)文件進(jìn)行透明的訪問(wèn)


#用來(lái)控制歸檔是否可用set hive.archive.enabled=true;#通知Hive在創(chuàng)建歸檔時(shí)是否可以設(shè)置父目錄set hive.archive.har.parentdir.settable=true;#控制需要?dú)w檔文件的大小set har.partfile.size=1099511627776;
#使用以下命令進(jìn)行歸檔ALTER TABLE A ARCHIVE PARTITION(dt='2020-12-24', hr='12');
#對(duì)已歸檔的分區(qū)恢復(fù)為原文件ALTER TABLE A UNARCHIVE PARTITION(dt='2020-12-24', hr='12');

注意: ?
歸檔的分區(qū)可以查看不能 insert overwrite，必須先 unarchive

最后

如果是新集群，沒(méi)有歷史遺留問(wèn)題的話，建議hive使用 orc 文件格式，以及啟用 lzo 壓縮。
這樣小文件過(guò)多可以使用hive自帶命令 concatenate 快速合并。

數(shù)倉(cāng)面試高頻考點(diǎn)--解決hive小文件過(guò)多問(wèn)題