hadoop - 如何在将数据插入存储桶时合并由配置单元创建的小文件？

Question

我有一个包含调用数据记录 (CDR) 的配置单元表。我根据电话号码对表进行了分区，并根据 call_date 进行了分桶。现在，当我将数据插入配置单元时，过时的 call_date 在我的存储桶中创建小文件，这导致名称节点元数据增加和性能下降。 有没有办法将这些小文件合并成一个。

Answer 1

在使用 Hive 插入表时控制文件大小的一种方法是设置以下参数:

set hive.merge.tezfiles=true;
set hive.merge.mapfiles=true;
set hive.merge.mapredfiles=true;
set hive.merge.size.per.task=128000000;
set hive.merge.smallfiles.avgsize=128000000;

这将适用于 M/R 和 Tez 引擎，并将确保创建的所有文件的大小等于或小于 128 MB(您可以根据您的用例更改该大小数字。额外阅读此处:https://community.cloudera.com/t5/Community-Articles/ORC-Creation-Best-Practices/ta-p/248963) .

合并表文件的最简单方法是重新制作它，同时在运行时运行上述配置单元命令:

CREATE TABLE new_table LIKE old_table;
INSERT INTO new_table select * from old_table;

在您的情况下，对于 ORC 表，您可以在创建后连接文件:

ALTER TABLE table_name [PARTITION (partition_key = 'partition_value')] CONCATENATE;