2

在 Hive 2.2.0 上，我使用查询从另一个大小为 1.34 GB 的源表填充一个 orc 表

INSERT INTO TABLE TableOrc SELECT * FROM Table; ---- (1)

该查询创建了包含 6 个 orc 文件的 TableORC 表，这些文件远小于 256MB 的块大小。

-- FolderList1
-rwxr-xr-x  user1   supergroup  65.01 MB    1/1/2016, 10:14:21 AM   1   256 MB  000000_0
-rwxr-xr-x  user1   supergroup  67.48 MB    1/1/2016, 10:14:55 AM   1   256 MB  000001_0
-rwxr-xr-x  user1   supergroup  66.3 MB     1/1/2016, 10:15:18 AM   1   256 MB  000002_0
-rwxr-xr-x  user1   supergroup  63.83 MB    1/1/2016, 10:15:41 AM   1   256 MB  000003_0
-rwxr-xr-x  user1   supergroup  69.11 MB    1/1/2016, 10:15:57 AM   1   256 MB  000004_0
-rwxr-xr-x  user1   supergroup  23.83 MB    1/1/2016, 10:16:02 AM   1   256 MB  000005_0

为了潜在地消除这一点，下面的配置被多个其他 stackoverflow 用户建议使用，并且 TableORC 被截断并再次执行查询 (1)。

SET hive.merge.mapfiles=true;
SET hive.merge.mapredfiles=true;
SET hive.merge.size.per.task=128000000; -- (128MB)
SET hive.merge.smallfiles.avgsize=128000000; -- (128MB)

这次的结果是 TableOrc 有 3 个 ORC 文件和 LOGS 显示 3 个额外的 MR 作业

-- FolderList2
 -rwxr-xr-x user1   supergroup  132.49 MB   1/1/2016, 11:47:01 PM   1   256 MB  000000_0
 -rwxr-xr-x user1   supergroup  130.12 MB   1/1/2016, 11:47:02 PM   1   256 MB  000001_0
 -rwxr-xr-x user1   supergroup  92.93 MB    1/1/2016, 11:47:03 PM   1   256 MB  000002_0

我的问题是当配置设置设置为使用 128MB ( https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties )时，为什么 ORC 文件大小大于 128MB

hive.merge.size.per.task
Default Value: 256000000
Added In: Hive 0.4.0
Size of merged files at the end of the job.
4

1 回答 1

4

您的初始平均文件大小小于hive.merge.smallfiles.avgsize，这就是合并任务开始合并它们的原因。前两个文件合并 65.01 MB + 67.48 MB = 132.49 MB 这比hive.merge.size.per.task合并任务将停止以将结果文件与更多文件合并的原因更大。它不会被拆分为正好 128M。它的工作方法非常简单。

于 2018-01-17T14:47:43.040 回答