Hive merge（小文件合并）

当Hive的输入由很多个小文件组成时，如果不涉及文件合并的话，那么每个小文件都会启动一个map task。
如果文件过小，以至于map任务启动和初始化的时间大于逻辑处理的时间，会造成资源浪费，甚至发生OutOfMemoryError错误。
因此，当我们启动一个任务时，如果发现输入数据量小但任务数量多时，需要注意在Map前端进行输入小文件合并操作。
同理，向一个表写数据时，注意观察reduce数量，注意输出文件大小。


1、 Map输入小文件合并
#每个Map处理的最大输入文件大小(256MB)
set mapred.max.split.size=256000000;  
#一个节点上split文件的最小值
set mapred.min.split.size.per.node=100000000; 
#一个交换机下split文件的最小值
set mapred.min.split.size.per.rack=100000000; 
#执行Map前进行小文件合并
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;  

在开启了org.apache.hadoop.hive.ql.io.CombineHiveInputFormat 后，
一个data node节点上多个小文件会进行合并，合并文件数由mapred.max.split.size限制的大小决定。
mapred.min.split.size.per.node决定了多个data node上的文件是否需要合并
mapred.min.split.size.per.rack决定了多个交换机上的文件是否需要合并

2、输出文件合并
#在Map-Only的任务结束时就会合并小文件
set hive.merge.mapfiles = true;
#在MapR-educe的任务结束时合并小文件
set hive.merge.mapredfiles = true;(默认为false)
#合并文件的大小
set hive.merge.size.per.task = 256*1000*1000;
#当输出文件的平均大小小于该值时，启动一个独立的map-reduce任务进行文件merge
set hive.merge.smallfiles.avgsize=16000000 ;