spark sql/hive小文件问题
针对hive on mapreduce
1：我们可以通过一些配置项来使Hive在执行结束后对结果文件进行合并：
参数详细内容可参考官网：https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties
1 2 3 4 | hive.merge.mapfiles 在 map-only job后合并文件，默认truehive.merge.mapredfiles 在map-reduce job后合并文件，默认falsehive.merge.size.per.task 合并后每个文件的大小，默认256000000hive.merge.smallfiles.avgsize 平均文件大小，是决定是否执行合并操作的阈值，默认16000000 |
例如：
set hive.merge.mapfiles = true：在只有map的作业结束时合并小文件， set hive.merge.mapredfiles = true：在Map-Reduce的任务结束时合并小文件，默认为False； set hive.merge.size.per.task = 256000000; 合并后每个文件的大小，默认256000000 set hive.merge.smallfiles.avgsize=256000000; 当输出文件的平均大小小于该值时并且（mapfiles和mapredfiles为true）
2：如果结果表使用了压缩格式，则必须配合Sequence File来存储，否则无法进行合并
3：Hadoop的归档文件格式也是解决小文件问题的方式之一。而且Hive提供了原生支持，如果使用的不是分区表，则可创建成外部表，并使用har://协议来指定路径
4：对于通常的应用，使用Hive结果合并就能达到很好的效果。如果不想因此增加运行时间，可以自行编写一些脚本，在系统空闲时对分区内的文件进行合并，也能达到目的。
5：Reducer数量的减少也即意味着结果文件的减少，从而解决产生小文件的问题。
但是，对于通过sparksql来处理数据的话，在conf里添加上面参数调整是没有作用的，不过可以通过下面的方式来规避小文件：
1.通过使用repartition重分区动态调整文件输出个数
比如 spark.sql("sql").repartition(1).write().mode(SaveMode.Overwrite).saveAsTable("test");
2.使用Adaptive Execution动态设置shuffle partition
1 2 3 4 5 6 7 8 9 10 11 12 13 | SparkConf conf = new SparkConf();conf.set("spark.sql.adaptive.enabled", "true");conf.set("spark.sql.adaptive.shuffle.targetPostShuffleInputSize", "67108864b");conf.set("spark.sql.adaptive.join.enabled", "true");conf.set("spark.sql.autoBroadcastJoinThreshold", "20971520");SparkSession spark = SparkSession .builder() .appName("JointSitePlan") .master("local") .config(conf) .enableHiveSupport() .getOrCreate(); |
shuffle partition是通过参数spark.sql.shuffle.partitions来指定的，默认是200，但是对于数据不大，或者数据倾斜的情况，会生成很多的小文件，几兆甚至几KB大小，自适应执行则会根据参数 spark.sql.adaptive.shuffle.targetPostShuffleInputSize 动态调整reducer数量.
附：
我在spark sql执行insert overwrite操作时，仅加了set spark.sql.hive.mergeFiles=true; 也可以有效阻止小文件的产生，可能是因为我的数据量本身就比较大
参考：