蚂蚁绊倒大象，不起眼的小文件竟拖了Hadoop大数据的后

产品壹佰 • 5年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

HDFS作为Hadoop生态系统的分布式文件系统，它被设计用来存储海量数据，特别是TB、PB量级别的数据。它的设计的初衷也是存储大文件，而如果HDFS上存在大量的小文件，会对系统性能带来严重的问题。本文想跟大家聊下小文件的处理。

本文的小文件是指那些大小比HDFS的block (Hadoop 2.x的默认大小128MB)小的多的文件。在HDFS中，文件元信息，例如位置、大小、分块信息等这些存储在Namenode的内存中，每一个object占用150 bytes的内存。文件个数越多相应的也会占用Namenode更多的内存。何况HDFS主要是为了流式的访问大文件而设计的，读取众多的小文件显然也是非常低效的。

▌Hadoop小文件的3类常见情况的处理

1、HDFS中存储包含了大量小文件

现象：在HDFS上已经存在了大量的小文件和目录。

方案：通过调用HDFS的sync()方法和append()方法，将小文件和目录每隔一定时间生成一个大文件，或者可以通过写程序来合并这些小文件。

2、MapReduce的输入包含大量小文件

现象：输入文件中存在大量的小文件

MapReduce程序的Map任务（task）一次可以处理一个块（block）大小的输入数据（默认使用FileInputFormat）。如果一个输入文件的大小大于block，那么会拆成两个或多个task进行处理；如果小于block，也会用一个task处理该文件。需要处理的数据如果分散存储在许多小文件中，就会产生大量的map task，如果小文件个数非常多，这会使处理时间变的很慢。

方案：有3种

1）Hadoop Archive:

Hadoop Archive是一个高效地将小文件放入HDFS块中的文件存档工具，它能够将许多小文件打包成一个HAR文件，这样会同时减少Namenode的内存使用。

2）Sequence File：

Sequence File由一系列的二进制key/value组成，如果key为小文件名，value为文件内容，则可以将大批小文件合并成一个大文件。

1）和2）这里不做介绍，可以参考 ⬇️

http://blog.cloudera.com/blog/2009/02/the-small-files-problem

3）CombineFileInputFormat：

Hadoop有一个专门的类CombineFileInputFormat 来处理小文件，它根据一定的规则，将HDFS上多个小文件合并到一个InputSplit中，同时启动适量的Map来处理这里面的文件，以减少MR整体作业的运行时间。CombineFileInputFormat类继承FileInputFormat，主要重写了ListgetSplits(JobContext var1)方法，我们可以设置mapreduce.input.fileinputformat.split.minsize.per.node、mapreduce.input.fileinputformat.split.minsize.per.rack和mapreduce.input.fileinputformat.split.maxsize 参数的设置来合并小文件。其中mapreduce.input.fileinputformat.split.maxsize参数至关重要，如果没有设置这个参数（默认没设置），那么同一个机架上的所有小文件将组成一个InputSplit，最终由一个Map Task来处理。如果设置了这个参数，那么同一个节点（node）上的文件将会组成一个InputSplit。

InputSplit包含的HDFS块信息存储在CombineFileSplit 类中。该类包含了每个块文件的路径、起始偏移量、相对于原始偏移量的大小和这个文件的存储节点。CombineTextInputFormat告诉MR程序如何读取组合的InputSplit，具体如何解析CombineFileSplit中的文件主要在CombineFileRecordReader中实现。该类封装了TextInputFormat的RecordReader，并对CombineFileSplit中的多个文件循环遍历并读取其中的内容。

样例代码如下：蚂蚁绊倒大象，不起眼的小文件竟拖了Hadoop大数据的后日志输出：
可以从日志中很清楚的看出input文件数为Total input paths to process : 152，通过CombineFileInputFormat处理后splits为mapreduce.JobSubmitter: number of splits:1，map数为Launched map tasks=1。可以修改mapreduce.input.fileinputformat.split.maxsize参数，观察Map Task的个数变化。