解决Hive创建文件数过多的问题

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