因為設置上面四個參數，看上去規定了map結束，MR結束合并文件，如果文件平均小于smallfiles.avgsize啟動一個新的MRj進行文件的二次合并。如果啟動mr合并文件，沒有問題。
0.背景
近來我們公司搞小文件治理（小于10Mb），小文件太多的危害就不此贅述了。公司的開發人員提供的合并小文件治理配置如下：
-- 設置小文件合并
set hive.merge.mapfiles=true;
set hive.merge.mapredfiles=true;
set hive.merge.size.per.task = 256000000 ;
set hive.merge.smallfiles.avgsize= 256000000 ;
看上去配置的沒啥問題，不管是Map-only，還是MapReduce都考慮到了，只要輸出的文件小于這個值，就重新啟動一個MR去執行文件合并。看也符合Hive官網的配置解釋
然而現實并非如此，廢話不多說，you can you code,no can no bb.
原分析表數據在HDFS存儲為551個小文件，下面所有的測試都是基于這個文件。
1.測試代碼方案1
設置啟動map前文件合并，先使用官方默認配置，實現文件合并測試
set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; --官方默認值，也是當前平臺默認值
set hive.merge.smallfiles.avgsize=16000000; --官方默認值，也是當前平臺默認值
set hive.merge.size.per.task=256000000; --官方默認值，也是當前平臺默認值
set hive.merge.mapfiles =true ; --官方默認值，也是當前平臺默認值
set hive.merge.mapredfiles = true ; --官方默認值，也是當前平臺默認值
drop table if exists FDM_SOR.T_FSA_BHVR_NEW_EXPO_D_tmp_tmp;
create table FDM_SOR.t_fsa_bhvr_new_expo_d_tmp_tmp
stored as orc
as
select
*
from FDM_SOR.t_fsa_bhvr_new_expo_d
where stat_date = '20200630'
結果：只產生了438個文件，看樣子效果不錯，文件變少了，但是發現還是有很多小于16Mb的文件，為啥設置了不管用呢，是不是set
hive.merge.smallfiles.avgsize官方的默認值給的太小了。需要加大。看實驗2.
2.測試代碼方案2
設置啟動map前文件合并，將set
hive.merge.smallfiles.avgsize值加大，增加文件合并的Size。按照官方的說法當輸出的文件平均小于16Mb時系統會再啟動一個MR進行文件合并。這下該管用了吧，請看：
set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; --官方默認值，也是當前平臺默認值
set hive.merge.smallfiles.avgsize=256000000; --改了這個值，由默認的16Mb，改成256Mb
set hive.merge.size.per.task=256000000; --官方默認值，也是當前平臺默認值
set hive.merge.mapfiles =true ; --官方默認值，也是當前平臺默認值
set hive.merge.mapredfiles = true ; --官方默認值，也是當前平臺默認值
drop table if exists FDM_SOR.T_FSA_BHVR_NEW_EXPO_D_tmp_tmp;
create table FDM_SOR.t_fsa_bhvr_new_expo_d_tmp_tmp
stored as orc
as
select
*
from FDM_SOR.t_fsa_bhvr_new_expo_d
where stat_date = '20200630'
廢話不多說，上結果請看
結果分析：沒錯，第一次MR因為Combinetext啟動了438個map和上面一樣，果然接著又啟動了一個MR,進行輸出后的文件合并。看樣子很DIAO。合并要求文件大小不小256Mb，然后實際呢？pappa。文件雖然減少了很多到351個，但依然有很多小文件，很多小于10Mb的文件，這個時候心里肯定一句
3.測試代碼方案3
放大招，功夫有沒有，代碼走一走，加上split參數
set mapred.max.split.size=256000000;
set mapred.min.split.size.per.node=100000000;
set mapred.min.split.size.per.rack=100000000;
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
set hive.merge.mapfiles = true ;
set hive.merge.mapredfiles = true ;
set hive.merge.size.per.task = 256000000 ;
set hive.merge.smallfiles.avgsize=160000000 ;
drop table if exists FDM_SOR.T_FSA_BHVR_NEW_EXPO_D_tmp_tmp;
create table FDM_SOR.T_FSA_BHVR_NEW_EXPO_D_tmp_tmp
stored as orc
as
select
*
from FDM_SOR.T_FSA_BHVR_NEW_EXPO_D
where stat_date = '20200630'
廢話不多說，上結果請看：
結果分析：這下好了，全是大文件，44大文件，每個大文件都是辣么大，最小的都是48Mb。為啥加了split參數以后就生效了呢。前面單獨合并小文件參數沒啥效果呢？網上隨便搜一下，都是這種配置這種參數的？
-- 設置小文件合并
set hive.merge.mapfiles=true;
set hive.merge.mapredfiles=true;
set hive.merge.size.per.task = 256000000 ;
set hive.merge.smallfiles.avgsize= 256000000 ;
4.答案揭曉
因為設置上面四個參數，看上去規定了map結束，MR結束合并文件，如果文件平均小于smallfiles.avgsize啟動一個新的MRj進行文件的二次合并。如果啟動mr合并文件，沒有問題。但是忽略了一個問題，你重新啟動一個mr合并文件，這個mr是不是需要進行文件split，你這個參數搞小了，那就會產生很多task，很多map，比如很多小文件就是一個map，最終還是產生很多小文件（因為合并小文件的mr只有map）。所以必須要配合split參數才有用。具體split參數使用，參考我其他博客。
本文轉載自微信公眾號「滌生大數據」，作者「滌生大數據」，可以通過以下二維碼關注。
轉載本文請聯系「滌生大數據」公眾號。
