如何理解MaxCompute小文件問題的優(yōu)化方案

這篇文章給大家介紹如何理解MaxCompute小文件問題的優(yōu)化方案，內(nèi)容非常詳細，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

小文件定義

分布式文件系統(tǒng)按塊Block存放，文件大小比塊大小小的文件（默認塊大小為64M），叫做小文件。

如何判斷存在小文件數(shù)量多的問題

查看文件數(shù)量

desc extended + 表名

cdn.com/8195ee2319091002c1cfa397341611b3c77b15c1.png">

判斷小文件數(shù)量多的標準

1、非分區(qū)表，表文件數(shù)達到1000個，文件平均大小小于64M
2、分區(qū)表: a) 單個分區(qū)文件數(shù)達到1000個，文件平均大小小于64M，
               b) 整個非分區(qū)表分區(qū)數(shù)達到五萬 （系統(tǒng)限制為6萬）

產(chǎn)生小文件數(shù)量多的主要原因

1、表設計不合理導致：分區(qū)多導致文件多，比如按天按小時按業(yè)務單元（假如有6個業(yè)務單元BU）分區(qū)，那么一年下來，分區(qū)數(shù)將會達到365246=52560。
2、在使用Tunnel、Datahub、Console等數(shù)據(jù)集成工具上傳上傳數(shù)據(jù)時，頻繁Commit，寫入表（表分區(qū)）使用不合理導致：每個分區(qū)存在多個文件，文件數(shù)達到幾百上千，其中大多數(shù)是大小只有幾 k 的小文件。
3、在使用insert into寫入數(shù)據(jù)時過，幾條數(shù)據(jù)就寫入一次，并且頻繁的寫入。
4、Reduce過程中產(chǎn)生小文件過多。
5、Job執(zhí)行過程中生成的各種臨時文件、回收站保留的過期的文件過多。

注意：雖然在MaxCompute系統(tǒng)側會自動做小文件合并的優(yōu)化，但對于原因1、2、3需要客戶采用合理的表分區(qū)設計和上傳數(shù)據(jù)的方法才可以避免。

小文件數(shù)量過多產(chǎn)生的影響

MaxCompute處理單個大文件比處理多個小文件更有效率，小文件過多會影響整體的執(zhí)行性能;小文件過多會給文件系統(tǒng)帶來一定的壓力，且影響空間的有效利用。MaxCompute對單個fuxi Instance可以處理的小文件數(shù)限制為120個，文件數(shù)過多影響fuxi instance數(shù)目，影響整體性能。

合并小文件命令

set odps.merge.max.filenumber.per.job=50000; --值默認為50000個；當分區(qū)數(shù)大于50000時需要調(diào)整，最大可到1000000萬，大于1000000的提交多次merge
ALTER TABLE 表名[partition] MERGE SMALLFILES;

如何合并小文件

分區(qū)表：

如果您的表已經(jīng)是分區(qū)表，請檢查您的分區(qū)字段是否是可收斂的，如果分區(qū)數(shù)過多同樣會影響計算性能，建議用日期做分區(qū)。
1、定期執(zhí)行合并小文件命令；
2、如果是按日期建的分區(qū)，可以每天對前一天的分區(qū)數(shù)據(jù)用insert overwrite重新覆蓋寫入。
例如：

insert overwrite table tableA partition (ds='20181220')
select * from tableA where ds='20181220';

非分區(qū)表：

如果您的表是非分區(qū)表，您可以定期執(zhí)行合并小文件命令來優(yōu)化小文件問題，但強烈建議您設計成分區(qū)表：
1、先創(chuàng)建一個新的分區(qū)表，建議按日期做分區(qū)，合理設置生命周期，以方便進行歷史數(shù)據(jù)回收；
2、把原非分區(qū)表的數(shù)據(jù)導入新的分區(qū)表；（建議先暫停原非分區(qū)表的實時寫入業(yè)務）
例如：

create table sale_detail_patition like sale_detail;
alter table sale_detail_insert add partition(sale_date='201812120', region='china');
insert overwrite table sale_detail_patition partition (sale_date='20181220', region='china')
select * from sale_detail;

3、修改上下游業(yè)務：入庫程序改成寫入新分區(qū)表，查詢作業(yè)改成從新分區(qū)表中查詢；
4、新分區(qū)表完成數(shù)據(jù)遷移和驗證后，刪除原分區(qū)表。

注意：如果您使用insert overwrite重新寫入全量數(shù)據(jù)合并小文件時，請注意一定不要同時存在insert overwrite和insert into同時存在的情況，否則有丟失數(shù)據(jù)的風險。

如何避免產(chǎn)生小文件

優(yōu)化表設計

合理設計表分區(qū)，分區(qū)字段是盡量是可收斂或可管理的，如果分區(qū)數(shù)過多同樣會影響計算性能，建議用日期做分區(qū)，并合理設置表的生命周期，以方便對歷史數(shù)據(jù)回收，也可控制您的存儲成本。

避免使用各種數(shù)據(jù)集成工具產(chǎn)生小文件

1、Tunnel->MaxCompute
使用Tunnel上傳數(shù)據(jù)時避免頻繁commit，盡量保證每次提交的DataSize大于64M，請參考 《離線批量數(shù)據(jù)通道Tunnel的最佳實踐及常見問題》

2、Datahub->MaxCompute
如果用Datahub產(chǎn)生小文件，建議合理申請shard，可以根據(jù)topic的Throughput合理做shard合并，減少shard數(shù)量?？梢愿鶕?jù)topic的Throughput觀察數(shù)據(jù)流量變化，適當調(diào)大數(shù)據(jù)寫入的間隔時間。

申請Datahub shard數(shù)目的策略（申請過多的datahub shard將會產(chǎn)生小文件問題）
1）默認吞吐量單個shard是1MB/s，可以按照這個分配實際的shard數(shù)目（可以在此基礎上多加幾個）；
2）同步MaxCompute的邏輯是每個shard有一個單獨的task（滿足5分鐘或者64MB會commit一次），默認設置5分鐘是為了盡快能在MaxCompute查到數(shù)據(jù)。如果是按照小時建partition，那個一個shard每個小時有12個文件。如果這個時候數(shù)據(jù)量很少，但是shard很多，在MaxCompute里面就會很多小文件（shard*12/hour）。所以不要過多的分配shard，按需分配。

參考建議：如果流量是5M/s，那么就申請5個shard，為預防流量峰值預留20%的Buffer，可以申請6個shard。

3、DataX->MaxCompute
因為datax也是封裝了tunnel的SDK來寫入MaxCompute的，因此，建議您在配置ODPSWriter的時候，把blockSizeInMB這個參數(shù)不要設置太小，最好是64M以上。

關于如何理解MaxCompute小文件問題的優(yōu)化方案就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。