HDFS小文件优化

1. 小文件弊端

HDFS 上每个文件都要在NameNode 上创建对应的元数据，这个元数据的大小约为150byte，这样当小文件比较多的时候，就会产生很多的元数据文件，一方面会大量占用NameNode 的内存空间，另一方面就是元数据文件过多，使得寻址索引速度变慢

小文件过多，在进行MR 计算时，会生成过多切片，需要启动过多的 MapTask。每个
MapTask 处理的数据量小，导致 MapTask 的处理时间比启动时间还小，白白消耗资源

2. 小文件解决方案

2.1 数据源头

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

2.2 存储方向

Hadoop Archive是一个高效的将小文件放入HDFS 块中的文件存档工具，能够将多个小文件打包成一个HAR文件，HAR文件对内还是一个一个独立文件，对 NameNode 而言却是一个整体，从而达到减少 NameNode的内存使用

1. 归档文件
   把/inputs 目录里面的所有文件归档成一个叫 inputs.har 的归档文件，并把归档后文件存储到/output 路径下

   [codecat@hadoop102 hadoop-3.1.3]$ hadoop archive -archiveName inputs.har -p /inputs /output
   

   

2. 查看归档

   [codecat@hadoop102 hadoop-3.1.3]$ hadoop fs -ls /output/inputs.har
   Found 4 items
   -rw-r--r--   3 codecat supergroup          0 2021-09-27 19:49 /output/inputs.har/_SUCCESS
   -rw-r--r--   3 codecat supergroup        284 2021-09-27 19:49 /output/inputs.har/_index
   -rw-r--r--   3 codecat supergroup         23 2021-09-27 19:49 /output/inputs.har/_masterindex
   -rw-r--r--   3 codecat supergroup        516 2021-09-27 19:49 /output/inputs.har/part-0
   
   [codecat@hadoop102 hadoop-3.1.3]$ hadoop fs -ls har:///output/inputs.har
   Found 3 items
   -rw-r--r--   3 codecat supergroup        193 2021-09-27 19:37 har:///output/inputs.har/hello.txt
   -rw-r--r--   3 codecat supergroup         80 2021-09-27 19:37 har:///output/inputs.har/kv.txt
   -rw-r--r--   3 codecat supergroup        243 2021-09-27 19:37 har:///output/inputs.har/nline.txt
   

   

3. 解归档文件

   [codecat@hadoop102 hadoop-3.1.3]$ hadoop fs -cp har:///output/inputs.har/* /
   

   

2.3 计算方向

2.3.1 CombineTextInputFormat

CombineTextInputFormat 用于将多个小文件在切片过程中生成一个单独的切片或者少
量的切片。

2.3.2 开启 uber 模式，实现 JVM 重用

默认情况下，每个 Task 任务都需要启动一个JVM 来运行，如果 Task 任务计算的数据量很小，我们可以让同一个 Job 的多个 Task 运行在一个 JVM 中，不必为每个 Task 都开启一个 JVM

1. 未开启 uber 模式，在/inputs 路径上上传多个小文件并执行 wordcount 程序

   [codecat@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /inputs /output
   

   

   

2. 开启 uber 模式，在 mapred-site.xml 中添加如下配置并分发集群

   <!-- 开启 uber 模式，默认关闭 -->
   <property>
       <name>mapreduce.job.ubertask.enable</name>
       <value>true</value>
   </property>
   <!-- uber 模式中最大的 mapTask 数量，可向下修改 -->
   <property>
       <name>mapreduce.job.ubertask.maxmaps</name>
       <value>9</value>
   </property>
   <!-- uber 模式中最大的 reduce 数量，可向下修改 -->
   <property>
       <name>mapreduce.job.ubertask.maxreduces</name>
       <value>1</value>
   </property>
   <!-- uber 模式中最大的输入数据量，默认使用 dfs.blocksize 的值，可向下修
   改 -->
   <property>
       <name>mapreduce.job.ubertask.maxbytes</name>
       <value></value>
   </property>
   

3. 再次执行 wordcount 程序

   [codecat@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /inputs /output1