hdfs小文件解决方案总结

小文件的问题弊端

HDFS上每个文件都要在NameNode上建立一个索引，这个索引的大小约为150byte，这样当小文件比较多的时候，就会产生很多的索引文件，一方面会大量占用NameNode的内存空间，另一方面就是索引文件过大使得索引速度变慢。

小文件的解决方案

小文件的优化无非以下几种方式：

（1）在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS。

（2）在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。

（3）在MapReduce处理时，可采用CombineTextInputFormat提高效率。

• Hadoop archive

  小文件打包成一个文件

• Sequence File

  二进制的key/value组成的文件，用来将大批小文件合并成一个大文件

• CombineFileInputFormat

  一个输入类，可以将多个文件合并成一个分片

• 开启JVM重用

  对于大量小文件的Job,可以开启JVM重用，大约会减少15%的运行时间。

  原理：一个map运行在一个JVM上（可看成容器的JVM？），该map在JVM上运行完毕后，JVM继续运行其它map。

  将参数mapreduce.job.jvm.numtasks的值设为10-20之间即可。

  JVM重用机制示意图如下：