更新时间：2024-11-23 GMT+08:00
小文件优化
操作场景
Spark SQL表中，经常会存在很多小文件（大小远小于HDFS的块大小），每个小文件默认对应Spark中的一个Partition，即一个Task。在有很多小文件时，Spark会启动很多Task，此时当SQL逻辑中存在Shuffle操作时，会大大增加hash分桶数，严重影响系统性能。
针对小文件很多的场景，DataSource在创建RDD时，先将Table中的split生成PartitionedFile，再将这些PartitionedFile进行合并。即将多个PartitionedFile组成一个partition，从而减少partition数量，避免在Shuffle操作时生成过多的hash分桶，如图1所示。
操作步骤
要启动小文件优化，在Spark客户端的“spark-defaults.conf”配置文件中进行设置。
|
参数 |
描述 |
默认值 |
|---|---|---|
|
spark.sql.files.maxPartitionBytes |
在读取文件时，将单个分区打包的最大字节数。 单位：byte。 |
134217728（即128M） |
|
spark.files.openCostInBytes |
打开文件的预估成本， 按照同一时间能够扫描的字节数来测量。当一个分区写入多个文件时使用。高估更好，这样小文件分区将比大文件分区更先被调度。 |
4M |
父主题： Spark SQL性能调优
