Spark 处理小文件
发布网友
发布时间：2022-09-22 20:32
共1个回答
热心网友
时间：2024-11-22 02:56
不论是Hive还是Spark SQL在使用过程中都可能会遇到小文件过多的问题。小文件过多最直接的表现是任务执行时间长，查看Spark log会发现大量的数据移动的日志。我们可以查看log中展现的日志信息，去对应的路径下查看文件的大小和个数。
通过上述命令可以查看文件的个数以及大小。count查看出的文件大小单位是B，需要转换为MB。
在spark官方的推荐文档中，parquet格式的文件推荐大小是128MB，小于该大小的均可以称之为小文件，在实际的工作，往往小文件的大小仅仅为几KB，表现为，可能文件大小为几百MB，但是文件个数可能到达了几十万个。一般来说，我们可以通过简单相除获得文件的平均大小，如果文件数目不多，我们也可以通过下述命令获得每个文件的大小。
1.任务执行时间长
2.真实的文件大小独占一个数据存储块，存放到DataNode节点中。同时 DataNode一般默认存三份副本，以保障数据安全。同时该文件所存放的位置也写入到NameNode的内存中，如果有Secondary NameNode高可用节点，也可同时复制一份过去。NameNode的内存数据将会存放到硬盘中，如果HDFS发生重启，将产生较长时间的元数据从硬盘读到内存的过程。
3.不论在Hive还是在Spark中，每一个存储块都对应一个Map程序，一个Map呈现就需要一个JVM，启动一个JVM去读取或者写小文件是吃力不讨好的行为。在实际的生产中，为了更好的管理集群资源，一般会要求程序执行时*Executor数量和每个Executor的核心数量，需要频繁创建Executor来读取写入。
5.影响磁盘寻址时间
小文件合并，本质上就是通过某种操作，将一系列小文件合并成大文件。我们知道，以MapRece为代表的大数据系统，都习惯用K-V键值对的形式来处理文件，最后文件落盘，也是一个rece对应一个输出文件。所以直观上，我们可以减少rece数量，达到减少文件数量的目的。
从Map到Rece需要一个Shuffle过程，所以我们将小文件合并理解为通过一个Shuffle，合并小文件成一个大文件。基于这样的思想，我们的策略可以分为两类：一类是原来的计算已经有Shuffle了，那么我们可以认为控制输出文件的数量；二类是强制触发Shuffle，进行小文件合并。
1-设置参数(一般用于Hive)
2-distribute by rand()
往动态分区插入数据时，在已经写好的SQL末尾加上distribute by rand()
该算子只是起到打散的效果，但是我们还要设置文件的大小，以免打散后仍然有小文件。
表示每个rece的大小，Hive可以数据总量，得到rece个数，假设hive认为会有10个rece,那么，这里rand()则会为 x % 10
3-group by
我们知道，group by算子会触发Shuffle，因此只要我们设置好Shuffle时的文件个数就好，在Spark SQL中，我们可以设置partition个数，因为一个partition会对应一个文件。
上述的操作，会触发shuffle，因此我们再设置partition个数。
则表示，shuffle后，只会产生10个partition.
4-repartition()
5-coalesce()
需要注意的是，4和5都是spark 2.4以及以后才会支持的。
