大数据面试之路 (二) hive小文件合并优化方法

大量小文件容易在文件存储端造成瓶颈，影响处理效率。对此，您可以通过合并Map和Reduce的结果文件来处理。

一、合并小文件的常见场景

写入时产生小文件：Reduce任务过多或数据量过小，导致每个任务输出一个小文件。
动态分区插入：分区字段基数高，每个分区生成少量数据，形成大量小文件。
频繁追加数据：通过INSERT INTO多次追加数据，导致文件碎片化。

二、合并小文件的核心方法

方法1：调整Reduce任务数量

-- 1. 设置Reduce任务数（根据数据量调整）
SET hive.exec.reducers.bytes.per.reducer=256000000; -- 每个Reduce处理256MB数据
SET hive.exec.reducers.max=1009; -- Reduce最大数量

-- 2. 执行插入操作（自动合并到指定Reduce数）
INSERT OVERWRITE TABLE target_table
SELECT * FROM source_table;

方法2：启用Hive自动合并

-- 启用Map端和Reduce端小文件合并
SET hive.merge.mapfiles = true; -- Map-only任务结束时合并小文件
SET hive.merge.mapredfiles = true; -- Map-Reduce任务结束时合并小文件
SET hive.merge.size.per.task = 256000000; -- 合并后文件目标大小（256MB）
SET hive.merge.smallfiles.avgsize = 16000000; -- 平均文件小于16MB时触发合并

-- 执行插入操作（自动合并）
INSERT OVERWRITE TABLE target_table
SELECT * FROM source_table;

方法3：使用`ALTER TABLE ... CONCATENATE`（ORC格式专用）

-- 合并表或分区的ORC文件
ALTER TABLE table_name [PARTITION (partition_key='value')] CONCATENATE;

方法4：重写数据（通用）

通过INSERT OVERWRITE重新写入数据，强制合并文件：

-- 1. 将数据覆盖写入原表（自动合并）
INSERT OVERWRITE TABLE target_table
SELECT * FROM target_table;

-- 2. 写入新表后替换旧表
CREATE TABLE new_table AS SELECT * FROM old_table;
DROP TABLE old_table;
ALTER TABLE new_table RENAME TO old_table;

方法5：使用Hadoop命令合并（手动操作）

合并HDFS上已有的小文件（需谨慎操作）：

# 1. 合并HDFS文件到本地（合并后需重新加载）
hadoop fs -getmerge /user/hive/warehouse/table_dir/* merged_file.txt
hadoop fs -put merged_file.txt /user/hive/warehouse/table_dir/

# 2. 使用Hive的`hadoop jar`命令合并（针对特定格式）
hadoop jar $HIVE_HOME/lib/hive-exec.jar -Dmapreduce.job.queuename=default \
-Dmapreduce.map.memory.mb=2048 \
org.apache.hadoop.hive.ql.io.HiveFileFormatUtils \
--combine /user/hive/warehouse/table_dir/ /user/hive/warehouse/table_dir_merged/

三、动态分区场景下的优化

若使用动态分区（如按天、按用户ID分区），需额外配置：

-- 启用动态分区模式
SET hive.exec.dynamic.partition = true;
SET hive.exec.dynamic.partition.mode = nonstrict;

-- 设置每个Reduce任务写入的分区数
SET hive.optimize.sort.dynamic.partition = true;
SET hive.exec.max.dynamic.partitions = 1000;
SET hive.exec.max.dynamic.partitions.pernode = 100;

四、不同文件格式的注意事项

文件格式	合并特点
Text	需通过重写数据或Hadoop命令合并。
ORC	支持`ALTER TABLE ... CONCATENATE`快速合并，或重写数据。
Parquet	只能通过重写数据合并（如`INSERT OVERWRITE`）。
RCFile	类似ORC，但无专用合并命令，需重写数据。

五、最佳实践

写入时预防：
- 合理设置Reduce任务数，避免过度并行化。
- 启用hive.merge参数自动合并小文件。
事后合并：
- ORC表优先使用ALTER TABLE ... CONCATENATE。
- 其他格式通过INSERT OVERWRITE重写数据。
分区管理：
- 避免过多细粒度分区，定期清理过期数据。

示例：合并ORC表文件

-- 1. 检查表格式
DESCRIBE FORMATTED table_name;

-- 2. 合并文件（ORC格式）
ALTER TABLE table_name CONCATENATE;

-- 3. 验证合并后文件大小
hadoop fs -du -h /user/hive/warehouse/table_dir;