解决hive表小文件过多问题

背景

前些时间，运维的同事反应小文件过多问题，需要我们去处理，所以想到是以何种手段去合并现有的小文件。我们知道Hadoop需要在namenode维护文件索引相关的metadata，所以小文件过多意味着消耗更大的内存空间。

过程

经过网上的调研发现通过hive表使用orc格式进行存储能够通过concatenate命令对分区进行小文件合并，并且能够节省80%以上的存储空间，真是喜闻乐见！

本文不再详细介绍orc，text，rc，parquet各种对比，具体可见网上相关文章，下面只是以举例为主。

创建一个orc hive 表：

CREATE EXTERNAL TABLE `app.example_orc`(
  `timestamp` string COMMENT '时间戳',
  `city` string)
PARTITIONED BY (
  `dt` string)
STORED AS ORC
LOCATION
  'hdfs://xxxxxxxx/test'
TBLPROPERTIES (
  'mart_name'='xxxx',
  'transient_lastDdlTime'='1476148520');

从别的表导数据到此表的20180505分区：
INSERT INTO TABLE app.example_orc partition(dt="20180505",dt="xxxxx"...) select timestamp, city from app.nielsenid_device2pin_unmapped where dt="20180505"
使用concatenate命令针对20180505分区进行小文件合并：

alter table app.example_orc partition (dt="20180505") concatenate;

不足点：

• 使用concatenate命令合并小文件时不能指定合并后的文件数量，虽然可以多次执行该命令，但显然不够优雅。
• 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；
• 只能针对分区使用concatenate命令。