赞
踩
友情提示:更多有关大数据、人工智能方面技术文章请关注博主个人微信公众号:高级大数据架构师!
1、Hive优化案例——map数过多
集群运行的作业有不少map数超大的作业,占用slot过多,导致其他同池子的其他作业等待状态。由于小文件数过多会占用元数据过大,计算时也会消耗更多的资源。所以,建议文件的大小控制在不小于 100M。(文件也不是越大越好,gzip压缩文件最好控制500M以内)
分区表下会有3w多个分区
解决方法
首先要查出产生文件数太多的那步sql。先查当前作业的源表,如果源表不存在太多小文件的情况,直接优化当前sql;如果是源表小文件多,还要往前查一步,要从源头控制小文件的产生。
这个例子是发现该作业的源表一个天分区总大小才3.5G,但是有32889个文件,其中近2万个文件不到k级。
查看前一步的sql,找到了原因。sql里面没有聚合,只是从源表里面过滤筛选出部分结果。只有map阶段,源表有多少个文件,就生成了多少个文件。
1. 增加聚合(group by)操作
2. 在sql中增加 distribute操作,使数据均匀分布。同时通过设置reduce数来控制结果文件数,结果文件数的个数建议是产生的总大小/100M得到。
这里采用的是第二个解决方案,修改sql如下:
这样结果文件数从32889个减少到100个。
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。