小文件危害

小文件会造成 nn 处理压力变大，大大降低了读取性能，整个 HDFS 文件系统访问缓慢，大量的小文件还会导致 nn 内存溢出，无法正常使用。

表的缓存

# 缓存某个表
spark.catalog.cacheTable("tableName")

# 释放缓存的表
spark.catalog.uncacheTable("tableName")

shuffle 分区数调整

# 指定在进行 shuffle 操作时的分区数量，默认：200
spark.sql.shuffle.partitions

Spark SQL 客户端设置合并

我的建议是，不如直接调用方法coalesce 来得实在。

那么如何设置 coalesce 参数的个数呢？

可以先查看我们操作的数据量大小，然后用它去除以我们的集群块Block Size 即可。

Hive 客户端处理小文件合并

方法一：

-- 是否开启分区调整功能，默认：false
set spark.sql.adaptive.enabled=true;

-- 开启分区调整后，在 reduce 阶段每个 task 最少处理的数据量，默认：64M，单位：B
-- 一般改成和集群块一样的大小，Hadoop2.7.2版本及之前默认64MB，Hadoop2.7.3版本及之后默认128M
set spark.sql.adaptive.shuffle.targetPostShuffleInputSize=128000000;

-- 开启分区调整后，最小的 reducer 个数，默认：1
set spark.sql.adaptive.minNumPostShufflePartitions=1;

-- 开启分区调整后，最大的 reducer 个数，默认：500
set spark.sql.adaptive.maxNumPostShufflePartitions=500;

-- 开启分区调整后，在 reduce 阶段每个 task 最少处理的条数，默认：20000000
set spark.sql.adaptive.shuffle.targetPostShuffleRowCount=20000000;

一般情况数据量小的话，只需要设置前面两个参数就可以了。

参数调整前：

参数调整后：

新建了一个和其结构一样 test 表，然后导入数据，成功的合并了小文件：

方法二：

-- 执行 Map 前进行小文件合并，默认开启
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

-- 合并为一个 split 的最大值（单位byte），当超过该值时新建一个split，256MB
set mapreduce.input.fileinputformat.split.maxsize=268435456;

-- 在第一步合并后每个节点剩余的文件，如果大于该值（单位byte），单独创建一个split,256MB
set mapreduce.input.fileinputformat.split.minsize.per.node=268435456;

-- 在第二步处理完，每个机架上剩余的文件，如果大于该值（单位byte），单独创建一个split,256MB
set mapreduce.input.fileinputformat.split.minsize.per.rack=268435456;

参数调整前：

参数调整后：

新建了一个和其结构一样 test 表，然后导入数据，成功的合并了小文件：

以上参数调优都是临时调优，仅限于本次会话，如果想要永久设置的话只需要将参数配置到 hive-site.xml 文件中即可。