hive处理小文件（进行map、reduce、压缩、归档优化解决）

背景

Hive query将运算好的数据写回hdfs（比如insert
into语句），有时候会产生大量的小文件，如果不采用CombineHiveInputFormat就对这些小文件进行操作的话会产生大量的map
task，耗费大量集群资源，而且小文件过多会对namenode造成很大压力。所以Hive在正常job执行完之后，会起一个conditional
task，来判断是否需要合并小文件，如果满足要求就会另外启动一个map-only job 或者mapred job来完成合并

 

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：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。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.  
 map数越多越好？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，就可以了？也不一定。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。

解决：减少map数

    假设一个SQL任务：select brand,("hour") time_type,("2018-12-04") times,("05") as
hours,("201812") as months,("20181204") as days,count(distinct(openId))
brandCount from log_db.commodlog where create_time like "2018-12-04 05%" and
openId !='' group by brand SORT BY brand ASC;

    该任务的inputdir
 /user/hive/warehouse/log_db/commodlog/month=201812/day=20181204

    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

 

通过以下方法来在map执行前合并小文件，减少map数：

启动压缩
set hive.exec.compress.output=true; set
mapreduce.output.fileoutputformat.compress=true;  set
mapreduce.input.fileinputformat.split.maxsize=1073741824; set
mapreduce.input.fileinputformat.split.minsize=1; set
mapreduce.input.fileinputformat.split.minsize.per.node=536870912; set
mapreduce.input.fileinputformat.split.minsize.per.rack=536870912;
经过测试，这种设置可以在map阶段和并小文件，减少map的数量。

注意：在测试的时候，如果文件格式为Textfile，并且启用lzo压缩，不能生效。 rcfile
以及orc可以生效，Textfile不启用lzo压缩也可以生效。如果是新集群的话，没有历史遗留的问题的话，建议hive都使用orc文件格式，以及启用lzo压缩。 
   
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。

         

解决：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. 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1009）

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 brand,("hour") time_type,("2018-12-04") times,("05") as
hours,("201812") as months,("20181204") as days,count(distinct(openId))
brandCount from log_db.commodlog where create_time like "2018-12-04 05%" and
openId !='' group by brand SORT BY brand ASC; 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 brand,("hour") time_type,("2018-12-04") times,("05") as
hours,("201812") as months,("20181204") as days,count(distinct(openId))
brandCount from log_db.commodlog where create_time like "2018-12-04 05%" and
openId !='' group by brand SORT BY brand ASC;这次有20个reduce

3.    调整reduce个数方法二； 

set mapred.reduce.tasks = 15;

select brand,("hour") time_type,("2018-12-04") times,("05") as
hours,("201812") as months,("20181204") as days,count(distinct(openId))
brandCount from log_db.commodlog where create_time like "2018-12-04 05%" and
openId !='' group by brand SORT BY brand ASC;

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.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；

 

MR作业结束后，判断生成文件的平均大小，如果小于阀值，就再启动一个job来合并文件

set hive.merge.mapredfiles=true;

set hive.merge.mapfiles=true;

set hive.merge.smallfiles.avgsize=268435456;

 

参数解释

set hive.mergejob.maponly (默认为true)

如果hadoop版本支持CombineFileInputFormat，则启动Map-only job for merge，否则启动MapReduce
merge job，map端combine file是比较高效的做法

 

hive.merge.mapfiles(默认为true)

正常的map-only job后，是否启动merge job来合并map端输出的结果

 

hive.merge.mapredfiles(默认为false)

正常的map-reduce job后，是否启动merge job来合并reduce端输出的结果，建议开启

 

hive.merge.smallfiles.avgsize(默认为16MB)

如果不是partitioned table的话，输出table文件的平均大小小于这个值，启动merge job，如果是partitioned
table，则分别计算 <https://www.aliyun.com/>
每个partition下文件平均大小，只merge平均大小小于这个值的partition。这个值只有当hive.merge.mapfiles或hive.merge.mapredfiles设定为true时，才有效

hive.exec.reducers.bytes.per.reducer(默认为1G)

如果用户不主动设置mapred.reduce.tasks数，则会根据input directory计算出所有读入文件的input summary
size，然后除以这个值算出reduce number
reducers = (int) ((totalInputFileSize + bytesPerReducer - 1) /
bytesPerReducer); reducers = Math.max(1, reducers); reducers =
Math.min(maxReducers, reducers);
 

hive.merge.size.per.task(默认是256MB)

merge job后每个文件的目标大小（targetSize），用之前job输出文件的total size除以这个值，就可以决定merge
job的reduce数目。merge job的map端相当于identity map，然后shuffle到reduce，每个reduce
dump一个文件，通过这种方式控制文件的数量和大小
MapredWork work = (MapredWork) mrTask.getWork(); if (work.getNumReduceTasks()
> 0) { int maxReducers = conf.getIntVar(HiveConf.ConfVars.MAXREDUCERS); int
reducers = (int) ((totalSize +targetSize - 1) / targetSize); reducers =
Math.max(1, reducers); reducers = Math.min(maxReducers, reducers);
work.setNumReduceTasks(reducers); }
 

mapred.max.split.size(默认256MB)

mapred.min.split.size.per.node(默认1 byte)

mapred.min.split.size.per.rack(默认1 byte)


这三个参数CombineFileInputFormat中会使用，Hive默认的InputFormat是CombineHiveInputFormat，里面所有的调用（包括最重要的getSplits和getRecordReader）都会转换成CombineFileInputFormat的调用，所以可以看成是它的一个包装。CombineFileInputFormat
可以将许多小文件合并成一个map的输入，如果文件很大，也可以对大文件进行切分，分成多个map的输入。一个CombineFileSplit对应一个map的输入，包含一组path(hdfs路径list)，startoffset,
lengths, locations(文件所在hostname list)mapred.max.split.size是一个split
最大的大小，mapred.min.split.size.per.node是一个节点上（datanode）split至少的大小，mapred.min.split.size.per.rack是同一个交换机(rack
locality)下split至少的大小通过这三个数的调节，组成了一串CombineFileSplit用户可以通过增大mapred.max.split.size的值来减少Map
Task数量

 

压缩文件的处理


对于输出结果为压缩文件形式存储的情况，要解决小文件问题，如果在Map输入前合并，对输出的文件存储格式并没有限制。但是如果使用输出合并，则必须配合SequenceFile来存储，否则无法进行合并，以下是示例：
set mapred.output.compression. type=BLOCK;
set hive.exec.compress.output= true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.LzoCodec;
set hive.merge.smallfiles.avgsize=100000000;
drop table if exists dw_stage.zj_small; create table dw_stage.zj_small
STORED AS SEQUENCEFILE as select * from dw_db.dw_soj_imp_dtl where log_dt
= '2014-04-14' and paid like '%baidu%' ;
使用HAR归档文件

 

Hadoop的归档文件格式也是解决小文件问题的方式之一。而且Hive提供了原生支持：
set hive.archive.enabled= true; set hive.archive.har.parentdir.settable= true;
set har.partfile.size=1099511627776; ALTER TABLE srcpart ARCHIVE
PARTITION(ds= '2008-04-08', hr= '12' ); ALTER TABLE srcpart UNARCHIVE
PARTITION(ds= '2008-04-08', hr= '12' );
 

如果使用的不是分区表，则可创建成外部表，并使用har://协议来指定路径。

 

结论

hive 通过上述几个值来控制是否启动merge file
job，通常是建议大家都开启，如果是一堆顺序执行的作业链，只有最后一张表需要固化落地，中间表用好就删除的话，可以在最后一个insert into
table之前再开启，防止之前的作业也会launch merge job使得作业变慢。

• « 上一篇：sparkStreaming读取kafka的两种方式
• » 下一篇：基于知识图谱的问答系统