Hive：合并配置设置不起作用

Question

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 orc 表

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

该查询创建包含 6 个 orc 文件的 TableORC 表，这些文件比 256MB 的块大小小得多。

-- 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

为了可能消除此问题，请按照多个其他 stackoverflow 用户的建议使用以下配置，并截断 TableORC 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)

这次的结果是一个具有 3 个 ORC 文件的 TableOrc，并且 LOGS 显示了 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 时，为什么 ORC 文件大小大于 128MB（https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties）

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

Answer 1

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。前两个文件合并为 65.01 MB + 67.48 MB = 132.49 MB，这比这更大，hive.merge.size.per.task这就是合并任务将停止将此结果文件与更多文件合并的原因。它不会被分割成正好128M。它的工作方法非常简单。