解决Hive创建文件数过多的问题

朱雀 2022-01-29 22:45 477阅读 0赞

# 一. Hive的创建文件数的限制 #

Hive对文件创建的总数是有限制的，这个限制取决于参数：

**hive.exec.max.created.files**，默认值是10000。如果现在你的表有60个分区，然后你总共有2000个map，在运行的时候，每一个mapper都会创建60个文件，对应着每一个分区，所以60\*2000> 120000，就会报错：`exceeds 100000.Killing the job`

# 解决办法： #

最简单的解决办法就是调大`hive.exec.max.created.files`参数。  
但是如果说数据文件只有400G，那么你调整这个参数比如说40000  
平均下来也就差不多每一个文件10.24MB,这样的话就有40000多个小文件，我们知道小文件对于hadoop来讲，不是一件很好的事情。

这里就涉及到Hive当中小文件的问题：

**Hive之中小文件问题**  
我们知道小文件的对于Hadoop来讲，在小文件很多的时候，可以把NameNode搞挂掉。

**Hive里面什么时候会产生大量小文件呢?**

*  一个大文件使用动态分区，可能导致大量分区产生，从而产生多很多小文件，也会导致很多的mapper
 *  Reduce个数越多，小文件越多，Reduce个数和输出文件是一样的
 *  数据源本身就包含很多的小文件

小文件会带来什么影响呢？

文件的数量和大小会决定mapper任务的数量，所以小文件越多，mapper任务越多，每一个mapper都会启动一个JVM来运行，所以这些任务的初始化和执行会花费大量的资源，严重影响性能

在NameNode每一个小文件的大约占150字节，小文件太多，会严重影响NameNode

# 如何解决小文件的问题 #

1.  如果动态分区不可预知的情况下，最好别用，如果用也最好**distributedby 分区字段**，这样我们知道会对字段进行一个hash操作，这样就会把相同的相同的分区给同一个Reduce去处理
2.  如果Reduce数量太多，则减少reduce的数量
3.  进行一些参数设置

设置 mapper输入文件合并一些参数：

set mapred.max.split.size=256000000; \#每个Map最大输入大小  
set mapred.min.split.size.per.node=100000000; \#一个节点上split的至少的大小(这个值决定了多个DataNode上的文件是否需要合并)  
set mapred.min.split.size.per.rack=100000000; \#一个交换机下split的至少的大小(这个值决定了该机架下的文件是否需要合并)  
set hive.input.format=org.apache.Hadoop.hive.ql.io.CombineHiveInputFormat; \# 执行Map前进行小文件合并

在开启了org.apache.hadoop.hive.ql.io.CombineHiveInputFormat后，一个data node节点上多个小文件会进行合并，合并文件数由mapred.max.split.size限制的大小决定。  
mapred.min.split.size.per.node决定了多个data node上的文件是否需要合并~  
mapred.min.split.size.per.rack决定了多个交换机上的文件是否需要合并~

设置 map输出和reduce输出进行合并的相关参数

hive.merge.mapfiles= true \#设置 map输出和reduce输出进行合并的相关参数  
hive.merge.mapredfiles= true 设置reduce端输出进行合并，默认为false  
hive.merge.size.per.task= 256 \*1000 \* 1000 设置合并文件的大小  
hive.merge.smallfiles.avgsize=16000000 输出文件的平均大小小于该值时，启动一个独立的MapReduce任务进行文件merge