HDFS小文件优化方法

• HDFS 小文件弊端

HDFS上每个文件都要在namenode上建立一个索引，这个索引的大小约为150byte，这样当小
文件比较多的时候，就会产生很多的索引文件，一方面会大量占用namenode的内存空间，另一方
面就是索引文件过大是的索引速度变慢。

• 解决方案

1）Hadoop Archive:

是一个高效地将小文件放入HDFS块中的文件存档工具，它能够将多个小文件打包成一个HAR
文件，这样在减少namenode内存使用的同时。

2）Sequence file：

sequence file由一系列的二进制key/value组成，如果key为文件名，value为文件内容，则可
以将大批小文件合并成一个大文件。

3）CombineFileInputFormat：

CombineFileInputFormat是一种新的inputformat，用于将多个文件合并成一个单独的split，
另外，它会考虑数据的存储位置。

4）开启JVM重用

对于大量小文件Job，可以开启JVM重用会减少45%运行时间。
JVM重用理解：一个map运行一个jvm，重用的话，在一个map在jvm上运行完毕后，jvm继续
运行其他jvm
具体设置：mapreduce.job.jvm.numtasks值在10-20之间。