Hive on Spark 小文件问题

 总所周知，hadoop namenode会对hdfs上的每个文件在内存中都会维护一份元数据信息。如果集群产生大量小文件而不处理，长期下去，必将给namenode造成巨大压力。同时，对于hive，spark计算时，小文件意味着需要更多的task和资源，影响计算速度，同样也可能将节点弄挂掉。

因此，小文件问题，需要引起重视，在日常开发和日常监控中需要额外注意。

• Hive on Spark
   

关闭hive.merge.sparkfiles，shuffle会产生大量小文件，因此写入hdfs存在小文件问题。

开启hive.merge.sparkfiles后，开启后会额外开启一个Spark Merge File Work阶段（是否开启取决于hive.merge.smallfiles.avgsize的大小）。

在hive.merge.sparkFiles=true的情况下，如果merge file相关参数设置合理是不需要担心小文件问题的。

我们都知道，mr控制map，reduce数量及合并小文件大小的相关参数，其实hive on spark同时适用。

-- 控制map阶段的并行度： -- 每个Map最大输入大小，决定合并后的文件数 set mapred.max.split.size=268435456;  -- 一个节点上split的至少的大小 ，决定了多个data node上的文件是否需要合并 set mapred.min.split.size.per.node=268435456;   -- 一个交换机下split的至少的大小，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=268435456;   -- 执行Map前进行小文件合并； 在map执行前合并小文件，减少map数 set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;  -- 控制shuffle的并行度： -- 每个Reduce处理的数据量 set hive.exec.reducers.bytes.per.reducer=268435456; -- 最大reduce数量 set hive.exec.reducers.max=1099; -- 控制最终输出hdfs的单个文件大小，影响merge阶段的并行度（hive.merge.sparkFiles=true生效）： -- 合并后每个文件的大小 set hive.merge.size.per.task=268435456; -- 平均文件大小，是决定是否执行merge阶段操作的阈值，当输出文件的平均大小小于该值时，启动一个独立的任务进行文件merge set hive.merge.smallfiles.avgsize=134217728;

我们只需要合理控制上述参数，针对于Hive on Spark的任务就能合理的控制任务的并行度以及写入到hdfs的文件大小了。