我有一个hadoop数据集被分割成太多的数据块的问题。
-
给定一个已经存在的hadoop数据集,是否有一种方法将其块组合成更少但更大的块?
-
是否有一种方法可以让
pig
或hadoop-streaming.jar
(cloudera)对他们将输出分割成的块数量设置上限?
-
如果你想要一个更大的块大小,只在pig脚本的相应作业上设置所需的块大小值
set dfs.block.size 134217728;
或者您也可以增加最小分割大小,因为分割大小是根据公式
计算的max(minsplitsize, min(maxsplitsize, blocksize))
set mapred.min.split.size 67108864
- 限制创建的块的数量是不可能的,它必须由
minsplitsize
,maxsplitsize
和blocksize
参数控制。
减少输出文件数量的另一个选择是进行随机分组。您可以查看以下示例Pig脚本(将original、original_fields和任意选择的数字100替换为实际的、合理的替换):
with_rnd = FOREACH original GENERATE *, (int)(RANDOM() * 100) AS rnd;
grouped = GROUP with_rnd BY rnd;
flattened = FOREACH grouped GENERATE FLATTEN(with_rnd);
output = FOREACH flattened GENERATE original_fields;
显然,从技术上讲,这是不必要的工作,但如果您的store函数没有提供另一种方法来完成此工作,它将工作。还要注意,这不会生成100个文件,但是为分组选择一个合理的数字将大大减少数量,特别是在原始数据经过大量过滤并且有许多小文件的情况下。