通过Hive小文件合并（CombineHiveInputFormat）减少80%的Map任务数
一、Hive小文件合并（CombineHiveInputFormat）减少Map任务数
核心问题：小文件过多导致Map任务激增（每个文件至少一个Map），浪费资源且增加NameNode压力
优化策略：
-
输入合并（Map前合并）
- 参数配置：
SQL
通过将多个小文件合并为逻辑块，减少Map数量（例如将100个1MB文件合并为2个Map任务）set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; -- 启用合并输入 set mapred.max.split.size=256000000; -- 单个Map处理的最大数据量（默认256MB） set mapred.min.split.size.per.node=100000000; -- 单个节点最小合并阈值
- 参数配置：
-
输出合并（任务结束后合并）
- 参数配置：
SQL
set hive.merge.mapfiles=true; -- 合并Map输出 set hive.merge.mapredfiles=true; -- 合并Reduce输出 set hive.merge.size.per.task=256000000; -- 目标文件大小 set hive.merge.smallfiles.avgsize=16000000; -- 触发合并的阈值 - 合并机制：
任务结束后自动启动Map-only作业，将碎片文件合并至目标大小，避免后续任务处理小文件
- 参数配置：
效果验证：
- 案例：某集群通过合并参数优化，Map任务数从1000+降至200，减少80%资源消耗
- 注意事项：合并操作可能增加作业耗时，建议仅在最终结果表启用