Spark使用CombineTextInputFormat缓解小文件过多导致Task数目过多的问题

目前平台使用Kafka + Flume的方式进行实时数据接入，Kafka中的数据由业务方负责写入，这些数据一部分由Spark Streaming进行流式计算；另一部分数据则经由Flume存储至HDFS，用于数据挖掘或机器学习。HDFS存储数据时目录的最小逻辑单位为“小时”，为了保证数据计算过程中的数据完整性（计算某个小时目录中的数据时，该目录的数据全部写入完毕，且不再变化），我们在Flume中加入了如下策略：

每五分钟关闭一次正在写入的文件，即新创建文件进行数据写入。

这样的方式可以保证，当前小时的第五分钟之后就可以开始计算上一小时目录中的数据，一定程度上提高了离线数据处理的实时性。

随着业务的增加，开始有业务方反馈：“HDFS中实际被分析的数据量很小，但是Spark App的Task数目却相当多，不太正常”，我们跟进之后，发现问题的根源在于以下三个方面：

（1）Kafka的实时数据写入量比较小；

（2）Flume部署多个实例，同时消费Kafka中的数据并写入HDFS；

（3）Flume每五分钟会重新创建文件写入数据（如上所述）；

这样的场景直接导致HDFS中存储着数目众多但单个文件数据量很小的情况，间接影响着Spark App Task的数目。

我们以Spark WordCount为例进行说明，Spark版本为1.5.1。

假设HDFS目录“/user/yurun/spark/textfile”中存在以下文件：

这个目录下仅三个文件包含少量数据：part-00005、part-00010、part-00015，数据大小均为6 Byte，其余文件数据大小均为0 Byte，符合小文件的场景。

注意：_SUCCESS相当于一个“隐藏”文件，实际处理时通常会被忽略。

常规实现

我们使用SparkContext textFile完成数据输入，应用运行完成之后，通过Spark History Server的页面可以看到：应用执行过程中，会产生一个Job，包含两个Stage，每个Stage包含16个Task，也就是说，Task的总数目为32，如下图所示：

之所以每个Stage包含16个Task，是因为目录中存有16个文本文件（_SUCCESS不参与计算）。

优化实现

在这个优化的版本中，我们使用SparkContext newAPIHadoopFile完成数据输入，需要着重说明一下“org.apache.hadoop.mapreduce.lib.input.CombineTextInputFormat”，这个类可以将多个小文件合并生成一个Split，而一个Split会被一个Task处理，从而减少Task的数目。这个应用的执行过程中，会产生两个Job，每个Job包含一个Stage，每个Stage包含一个Task，也就是说，Task的总数目为2，如下图所示：

可以看出，通过使用“org.apache.hadoop.mapreduce.lib.input.CombineTextInputFormat”可以很大程度上缓解小文件导致Spark App Task数目过多的问题。