CN118152348A - 一种Hive小文件处理方法、装置、设备及存储介质 - Google Patents
一种Hive小文件处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118152348A CN118152348A CN202410107788.XA CN202410107788A CN118152348A CN 118152348 A CN118152348 A CN 118152348A CN 202410107788 A CN202410107788 A CN 202410107788A CN 118152348 A CN118152348 A CN 118152348A
- Authority
- CN
- China
- Prior art keywords
- data table
- file
- hive
- data
- merging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 60
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 16
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种Hive小文件处理方法、装置、设备及存储介质，包括：监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息；根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件；如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并。本发明实施例的技术方案可以将过于分散的小文件进行自动合并，保证Hive库的数据处理性能。
Description
技术领域
本发明涉及大数据计算技术领域，尤其涉及一种Hive小文件处理方法、装置、设备及存储介质。
背景技术
Hive是基于Hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。Hive数据仓库工具能将结构化的数据文件映射为一张数据库表，并提供SQL查询功能，能将SQL语句转变成MapReduce任务来执行。Hadoop分布式文件系统(Hadoop Distributed File System，HDFS)作为一种高度容错性的系统，是指被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。
在实际生产环境中，每个Hive表下存在很多文件，并且可能存在大量的小文件，小文件是指在HDFS中存储的容量远小于块大小的文件。在使用Mapreduce、Hive以及Spark应用场景时，都会产生大量的小文件(类似windows的磁盘碎片)。
当小文件过多时会引发以下问题：查询和处理数据的效率日趋低下；对HDFS元数据管理时，NodeName管理压力过大；造成严重的储存空间浪费(比如128M空间只存储了1M数据)。
发明内容
本发明提供了一种Hive小文件处理方法、装置、设备及存储介质，可以将过于分散的小文件进行自动合并，保证Hive库的数据处理性能。
根据本发明的一方面，提供了一种Hive小文件处理方法，所述方法包括：
监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息；
根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件；
如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并。
可选的，监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息，包括：
根据Hive库的元数据信息，获取每个数据表在Hadoop分布式文件系统中对应的存储路径；
定时对各所述存储路径进行扫描，根据扫描结果获取并记录每个数据表的数据信息。
可选的，根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件，包括：
构建与各所述数据表对应的配置表，通过所述配置表记录各数据表对应的数据信息、文件参数阈值以及文件合并规则；
根据所述配置表中记录的数据信息、文件参数阈值以及文件合并规则，判断各所述数据表是否满足文件合并条件。
可选的，所述配置表存储于Hive库元数据信息对应的数据库中；所述方法还包括：
响应于管理员对所述配置表触发的更新请求，根据所述更新请求，对配置表中记录的文件参数阈值以及文件合并规则进行更新。
可选的，在将所述目标数据表中包括的多个目标文件进行合并之后，包括：
获取所述目标数据表在Hadoop分布式文件系统中对应的存储信息；
根据所述存储信息，确定目标数据表中的目标文件是否合并成功。
可选的，所述数据表的数据信息包括记录条数、文件数量以及文件占用的存储空间。
根据本发明的另一方面，提供了一种Hive小文件处理装置，所述装置包括：
扫描模块，用于监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息；
判断模块，用于根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件；
合并模块，用于如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并。
可选的，扫描模块包括：
路径获取单元，用于根据Hive库的元数据信息，获取每个数据表在Hadoop分布式文件系统中对应的存储路径；
数据记录单元，用于定时对各所述存储路径进行扫描，根据扫描结果获取并记录每个数据表的数据信息。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的Hive小文件处理方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的Hive小文件处理方法。
本发明实施例提供的技术方案，通过监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息，根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件，如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并的技术手段，可以将过于分散的小文件进行自动合并，保证Hive库的数据处理性能。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的一种Hive小文件处理方法的流程图；
图2是根据本发明实施例提供的另一种Hive小文件处理方法的流程图；
图3是根据本发明实施例提供的另一种Hive小文件处理方法的流程图；
图4是根据本发明实施例提供的一种Hive小文件处理装置的结构示意图；
图5是实现本发明实施例的Hive小文件处理方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在Hive中，所谓的小文件是指文件大小远小于HDFS块大小的文件，通常小于128MB，甚至更少。这些小文件可能是Hive表的一部分，每个小文件都包含一个或几个表的记录，它们以文本格式存储。Hive通常用于分析大量数据，但它在处理小文件方面表现不佳，Hive中存在大量小文件会引起以下问题：
存储空间占用过多：在Hadoop生态系统中，每个小文件都将占用一定的存储空间，而且每个小文件也需要一个块来存储。如果存在大量的小文件，将浪费大量的存储空间；
处理延迟：小文件数量过多，会引起大量IO操作，导致处理延迟；
查询性能下降：小文件用于分区和表划分，可能导致查询延迟并降低查询性能。此外，小文件还会增加元数据的数量，使得Hive在查询元数据时变得更加缓慢；
数据倾斜：如果数据分布不均匀，会导致一些Reduce任务处理了完全不同的分区，这会使某些Reduce任务的运行速度与其他Reduce任务相比非常慢。
针对上述问题，本发明实施例提供了一种Hive小文件处理方法，图1为本发明实施例提供的一种Hive小文件处理方法的流程图，本实施例可适用于对Hive库中的小文件进行监测及合并的情况，该方法可以由Hive小文件处理装置来执行，该Hive小文件处理装置可以采用硬件和/或软件的形式实现，该Hive小文件处理装置可配置于电子设备中。如图1所示，该方法包括：
步骤110、监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息。
在本实施例中，具体的，可以按照预设监测频率自动对Hive库中的各数据表进行监测，并根据监测结果定时扫描记录每个数据表的数据信息，所述数据信息可以包括数据表对应的文件信息。
步骤120、根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件。
在本实施例中，可选的，在记录每个数据表的数据信息之前，可以预先建立不同的文件合并规则，所述文件合并规则中限定了文件阈值信息以及文件参数计算公式等。
在此步骤中，可选的，可以根据预设文件合并规则中的文件参数计算公式，对每个数据表对应的文件信息进行计算，然后将计算结果与预设文件阈值信息进行对比，根据对比结果判断各所述数据表是否需要进行小文件合并操作，若是，则确定数据表满足文件合并条件。
步骤130、如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并。
在本实施例中，通过上述步骤确定某个数据表(也即目标数据表)需要进行小文件合并操作后，可以获取该数据表对应的待合并的小文件(也即目标文件)，然后对各目标文件进行合并。
本发明实施例提供的技术方案，通过监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息，根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件，如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并的技术手段，可以实现对Hive库中的小文件进行自动监测，将过于分散的小文件进行自动合并，保证小文件在合理的范围内，进而可以保证Hive库的数据查询及处理效率，适用于Hive库每日批量加工大量数据的应用场景。
图2为本发明实施例提供的另一种Hive小文件处理方法的流程图，如图2所示，该方法包括：
步骤210、根据Hive库的元数据信息，获取每个数据表在Hadoop分布式文件系统中对应的存储路径。
在此步骤中，可以根据Hive库的元数据信息metadata，获取Hive库中每个数据表在Hadoop分布式文件系统(HDFS)上的存储路径。
步骤220、定时对各所述存储路径进行扫描，根据扫描结果获取并记录每个数据表的数据信息。
在此步骤中，可以定时扫描上述所有存储路径，记录每个数据表的数据信息，包括记录条数、文件数量、文件总大小以及文件占用的存储空间等。
在一个具体的实施例中，假设对某个存储路径进行扫描后，可以得到对应数据表的如下数据信息：文件数量34，文件总大小约为140K，文件占用的存储空间为4G。
步骤230、根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件。
步骤240、如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并。
步骤250、获取所述目标数据表在Hadoop分布式文件系统中对应的存储信息，根据所述存储信息，确定目标数据表中的目标文件是否合并成功。
在一个具体的实施例中，对目标数据表中的多个目标文件合并后，可以再次获取该目标数据表在Hadoop分布式文件系统中的当前存储信息。例如目标数据表的原始占用空间为4G，经过对目标文件合并后，目标数据表的当前占用空间为128M，由此可以提升Hive库对数据的处理效率。
本发明实施例提供的技术方案，通过根据Hive库的元数据信息，获取每个数据表在Hadoop分布式文件系统中对应的存储路径，定时对各所述存储路径进行扫描，根据扫描结果获取并记录每个数据表的数据信息，根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件，如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并，获取所述目标数据表在Hadoop分布式文件系统中对应的存储信息，根据所述存储信息，确定目标数据表中的目标文件是否合并成功的技术手段，可以将过于分散的小文件进行自动合并，保证Hive库的数据处理性能。
图3为本发明实施例提供的另一种Hive小文件处理方法的流程图，如图3所示，该方法包括：
步骤310、根据Hive库的元数据信息，获取每个数据表在Hadoop分布式文件系统中对应的存储路径。
步骤320、定时对各所述存储路径进行扫描，根据扫描结果获取并记录每个数据表的数据信息。
步骤330、构建与各所述数据表对应的配置表，通过所述配置表记录各数据表对应的数据信息、文件参数阈值以及文件合并规则。
在一个具体的实施例中，所述配置表可以如表1所示：
表1
步骤340、根据所述配置表中记录的数据信息、文件参数阈值以及文件合并规则，判断各所述数据表是否满足文件合并条件。
在本实施例的一个实施方式中，所述配置表存储于Hive库元数据信息对应的mysql数据库中。所述方法还包括：响应于管理员对所述配置表触发的更新请求，根据所述更新请求，对配置表中记录的文件参数阈值以及文件合并规则进行更新。
步骤350、如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并。
在本实施例中，可以根据上述配置表中的合并规则，对符合合并规则的进行小文件(也即目标文件)进行合并。例如，可以对所有小于100M的小文件进行合并处理，合并后预计文件个数为源文件总大小/100M。
本发明实施例提供的技术方案，通过根据Hive库的元数据信息，获取每个数据表在Hadoop分布式文件系统中对应的存储路径，定时对各所述存储路径进行扫描，根据扫描结果获取并记录每个数据表的数据信息，构建与各所述数据表对应的配置表，通过所述配置表记录各数据表对应的数据信息、文件参数阈值以及文件合并规则，根据所述配置表中记录的数据信息、文件参数阈值以及文件合并规则，判断各所述数据表是否满足文件合并条件，如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并的技术手段，可以将过于分散的小文件进行自动合并，保证Hive库的数据处理性能。
图4为本发明实施例提供的一种Hive小文件处理装置的结构示意图，所述装置应用于电子设备中，如图4所示，该装置包括：扫描模块410、判断模块420和合并模块430。
扫描模块410，用于监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息；
判断模块420，用于根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件；
合并模块430，用于如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并。
本发明实施例提供的技术方案，通过监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息，根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件，如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并的技术手段，可以将过于分散的小文件进行自动合并，保证Hive库的数据处理性能。
在上述实施例的基础上，所述配置表存储于Hive库元数据信息对应的数据库中；所述数据表的数据信息包括记录条数、文件数量以及文件占用的存储空间。
所述装置还包括：
配置表更新模块，用于响应于管理员对所述配置表触发的更新请求，根据所述更新请求，对配置表中记录的文件参数阈值以及文件合并规则进行更新。
扫描模块410包括：
路径获取单元，用于根据Hive库的元数据信息，获取每个数据表在Hadoop分布式文件系统中对应的存储路径；
数据记录单元，用于定时对各所述存储路径进行扫描，根据扫描结果获取并记录每个数据表的数据信息。
判断模块420包括：
配置表构建单元，用于构建与各所述数据表对应的配置表，通过所述配置表记录各数据表对应的数据信息、文件参数阈值以及文件合并规则；
数据表判断单元，用于根据所述配置表中记录的数据信息、文件参数阈值以及文件合并规则，判断各所述数据表是否满足文件合并条件。
合并模块430包括：
存储信息获取单元，用于获取所述目标数据表在Hadoop分布式文件系统中对应的存储信息，根据所述存储信息，确定目标数据表中的目标文件是否合并成功。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如Hive小文件处理方法。
在一些实施例中，Hive小文件处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的Hive小文件处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行Hive小文件处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种Hive小文件处理方法，其特征在于，所述方法包括：
监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息；
根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件；
如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并。
2.根据权利要求1所述的方法，其特征在于，监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息，包括：
根据Hive库的元数据信息，获取每个数据表在Hadoop分布式文件系统中对应的存储路径；
定时对各所述存储路径进行扫描，根据扫描结果获取并记录每个数据表的数据信息。
3.根据权利要求1所述的方法，其特征在于，根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件，包括：
构建与各所述数据表对应的配置表，通过所述配置表记录各数据表对应的数据信息、文件参数阈值以及文件合并规则；
根据所述配置表中记录的数据信息、文件参数阈值以及文件合并规则，判断各所述数据表是否满足文件合并条件。
4.根据权利要求3所述的方法，其特征在于，所述配置表存储于Hive库元数据信息对应的数据库中；所述方法还包括：
响应于管理员对所述配置表触发的更新请求，根据所述更新请求，对配置表中记录的文件参数阈值以及文件合并规则进行更新。
5.根据权利要求1所述的方法，其特征在于，在将所述目标数据表中包括的多个目标文件进行合并之后，包括：
获取所述目标数据表在Hadoop分布式文件系统中对应的存储信息；
根据所述存储信息，确定目标数据表中的目标文件是否合并成功。
6.根据权利要求1所述的方法，其特征在于，所述数据表的数据信息包括记录条数、文件数量以及文件占用的存储空间。
7.一种Hive小文件处理装置，其特征在于，所述装置包括：
扫描模块，用于监测Hive库中的各数据表，定时扫描并记录每个数据表的数据信息；
判断模块，用于根据所述每个数据表的数据信息，以及预设的文件合并规则，判断各所述数据表是否满足文件合并条件；
合并模块，用于如果确定目标数据表满足文件合并条件，则将所述目标数据表中包括的多个目标文件进行合并。
8.根据权利要求7所述的装置，其特征在于，扫描模块包括：
路径获取单元，用于根据Hive库的元数据信息，获取每个数据表在Hadoop分布式文件系统中对应的存储路径；
数据记录单元，用于定时对各所述存储路径进行扫描，根据扫描结果获取并记录每个数据表的数据信息。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的Hive小文件处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的Hive小文件处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410107788.XA CN118152348A (zh) | 2024-01-25 | 2024-01-25 | 一种Hive小文件处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410107788.XA CN118152348A (zh) | 2024-01-25 | 2024-01-25 | 一种Hive小文件处理方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118152348A true CN118152348A (zh) | 2024-06-07 |
Family
ID=91299303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410107788.XA Pending CN118152348A (zh) | 2024-01-25 | 2024-01-25 | 一种Hive小文件处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118152348A (zh) |
-
2024
- 2024-01-25 CN CN202410107788.XA patent/CN118152348A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113407649A (zh) | 数据仓库建模方法、装置、电子设备及存储介质 | |
| CN115291806A (zh) | 一种处理方法、装置、电子设备及存储介质 | |
| CN113778644A (zh) | 任务的处理方法、装置、设备及存储介质 | |
| CN114564149B (zh) | 一种数据存储方法、装置、设备及存储介质 | |
| CN116226150A (zh) | 基于分布式数据库的数据处理方法、装置、设备和介质 | |
| CN118152348A (zh) | 一种Hive小文件处理方法、装置、设备及存储介质 | |
| CN115438007A (zh) | 一种文件合并方法、装置、电子设备及介质 | |
| CN116303524A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN114691781A (zh) | 一种数据同步方法、系统、装置、设备及介质 | |
| CN114817223A (zh) | 业务数据提取方法、装置、电子设备和存储介质 | |
| CN115391052B (zh) | 一种机器人任务处理方法、装置、电子设备和存储介质 | |
| CN116402141B (zh) | 一种模型推理方法、装置、电子设备及存储介质 | |
| CN117633109A (zh) | 数据库集群中数据块检测调优方法、装置、设备及介质 | |
| CN116579914B (zh) | 一种图形处理器引擎执行方法、装置、电子设备及存储介质 | |
| CN115510140A (zh) | 一种数据抽取方法、装置、设备及存储介质 | |
| CN116595110A (zh) | 一种数据存储方法、装置、电子设备及存储介质 | |
| CN115687244A (zh) | 文件处理监控方法、装置、设备及介质 | |
| CN115587091A (zh) | 数据入库方法、装置、设备以及存储介质 | |
| CN115757439A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN117312095A (zh) | 一种Java虚拟机堆内存集合对象监测方法及装置 | |
| CN115905121A (zh) | 一种文件处理方法、装置、设备及存储介质 | |
| CN115794555A (zh) | 一种业务日志处理方法、装置、设备及存储介质 | |
| CN115454660A (zh) | 一种任务管理方法、装置、电子设备及存储介质 | |
| CN116594764A (zh) | 一种应用程序的更新方法、装置、电子设备和存储介质 | |
| CN115858472A (zh) | 一种数据处理方法、装置、服务器及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |