Hive参数与优化_hive alter table concatenate

参考资料：

Hive SQL 参数与性能调优

小文件优化

小文件过多的影响：

（1）小文件过多会导致namenode元数据特别大，占用过多内存，严重影响HDFS性能

（2）对Hive来说，在进行查询时，每个小文件都会当成一个块，启动一个Map任务来完成。如果文件过多的话，Map任务启动和初始化的时间可能远远大于逻辑处理的时间，就会造成很大的资源浪费。同时可执行的Map数量是受限的。

解决方法：

1. 使用 hive 自带的 concatenate 命令，自动合并小文件

# 对于非分区表
alter table A concatenate;
 
# 对于分区表
alter table B partition(day=20201224) concatenate;

注意：
1、concatenate 命令只支持 RCFILE 和 ORC 文件类型。
2、使用concatenate命令合并小文件时不能指定合并后的文件数量，但可以多次执行该命令。
3、当多次使用concatenate后文件数量不在变化，这个跟参数 mapreduce.input.fileinputformat.split.minsize=256mb 的设置有关，可设定每个文件的最小size。

2. 调整参数减少Map数量

设置map输入合并小文件的相关参数：

# 执行Map前进行小文件合并
# CombineHiveInputFormat底层是 Hadoop的 CombineFileInputFormat 方法
# 此方法是在mapper中将多个文件合成一个split作为输入
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; -- 默认
 
# 每个Map最大输入大小(这个值决定了合并后文件的数量)
set mapred.max.split.size=256000000;   -- 256M
 
# 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.node=100000000;  -- 100M
 
# 一个交换机下split的至少的大小(这个值决定了多个交换机上的文件是否需要合并)
set mapred.min.split.size.per.rack=100000000;  -- 100M

设置map输出和reduce输出进行合并的相关参数:

#设置map端输出进行合并，默认为true
set hive.merge.mapfiles = true;
 
#设置reduce端输出进行合并，默认为false
set hive.merge.mapredfiles = true;
 
#设置合并文件的大小
set hive.merge.size.per.task = 256*1