Spark小文件合并

1.问题描述

最近使用spark sql执行etl时候出现了，最终结果大小只有几百k，但是小文件一个分区有上千的情况。

危害：

1. hdfs有最大文件数限制
2. 浪费磁盘资源（可能存在空文件）；
3. hive中进行统计,计算的时候,会产生很多个map,影响计算的速度。

2.解决方法

1. 方法一：通过spark的coalesce()方法和repartition()方法

   val rdd2 = rdd1.coalesce(8, true) （true表示是否shuffle）
val rdd3 = rdd1.repartition(8)

   说明：

   coalesce：coalesce()方法的作用是返回指定一个新的指定分区的Rdd，
   如果是生成一个窄依赖的结果，那么可以不发生shuffle，
   分区的数量发生激烈的变化，计算节点不足，不设置true可能会出错。

   repartition：coalesce()方法shuffle为true的情况。

   但是由于使用的是同事直接写好的模块，改新增函数相对比较麻烦，所以作为后手。

2. 方法二：降低spark并行度，即调节spark.sql.shuffle.partitions

   比如之前设置的为100，按理说应该生成的文件数为100；
   但是由于业务比较特殊，采用的大量的union all，且union all在spark中属于窄依赖，
   不会进行shuffle，所以导致最终会生成（union all数量+1）*100的文件数。
   如有10个union all，会生成1100个小文件。
   这样导致降低并行度为10之后，执行时长大大增加，且文件数依旧有110个，效果有，但是不理想。

3. 方法三：新增一个并行度=1任务，专门合并小文件。

   先将原来的任务数据写到一个临时分区（如tmp）；
   再起一个并行度为1的任务，类似：

   insert overwrite 目标表 select * from 临时分区

   但是结果小文件数还是没有减少，略感疑惑；
   经过多次测后发现原因：‘select * from 临时分区’ 这个任务在spark中属于窄依赖；
   并且spark DAG中分为宽依赖和窄依赖，只有宽依赖会进行shuffle；
   故并行度shuffle，spark.sql.shuffle.partitions=1也就没有起到作用；

   由于数据量本身不是特别大，所以直接采用了group by（在spark中属于宽依赖）的方式，类似：

   insert overwrite 目标表 select * from 临时分区 group by *

   先运行原任务，写到tmp分区，‘dfs -count’查看文件数，1100个，运行加上group by的临时任务（spark.sql.shuffle.partitions=1），查看结果目录，文件数=1，成功。
   最后又加了个删除tmp分区的任务。

2.结论

1. 方便的话，可以采用coalesce()方法和repartition()方法

2. 如果任务逻辑简单，数据量少，可以直接降低并行度

3. 任务逻辑复杂，数据量很大，原任务大并行度计算写到临时分区，再加两个任务：
   一个用来将临时分区的文件用小并行度（加宽依赖）合并成少量文件到实际分区；
   另一个删除临时分区；

4. hive任务减少小文件相对比较简单，可以直接设置参数，如：

   Map-only的任务结束时合并小文件：
   sethive.merge.mapfiles = true

   在Map-Reduce的任务结束时合并小文件：
   sethive.merge.mapredfiles= true

   当输出文件的平均大小小于1GB时，启动一个独立的map-reduce任务进行文件merge：
   sethive.merge.smallfiles.avgsize=1024000000