mapReduce大量小文件的优化策略

最新推荐文章于 2021-09-09 15:02:04 发布

原创最新推荐文章于 2021-09-09 15:02:04 发布 · 1.8k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#mapreduce

hadoop 专栏收录该内容

3 篇文章

订阅专栏

本文探讨了Hadoop处理小文件时存在的问题及解决方案。默认的TextInputFormat会导致每个小文件启动独立的MapTask，严重影响处理效率。介绍了通过CombineFileInputFormat合并小文件以提高处理速度的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

默认情况下，TextInputFormat对任务的切片机制是按文件规划切片，不管文件多小都会上一个单独的切片，都会交给一个maptask，这样如果有大量的小文件，就会产生大量的maptask，处理效率及其地下。

策略
最好的办法：在数据处理系统的最前端（预处理/采集），就将小文件合并成大文件再上传到HDFS做后续分析。
如果已经上大量小文件再HDFS中了可以使用另一种inputFormat来做切片（CombineFileInputFormat），他的切片逻辑跟FileInputFormat不同：它可以将多个小文件从逻辑上规划到一个切片中，这样多个小文件就可以交给一个maptask。