mapReduce大量小文件的优化策略

默认情况下，TextInputFormat对任务的切片机制是按文件规划切片，不管文件多小都会上一个单独的切片，都会交给一个maptask，这样如果有大量的小文件，就会产生大量的maptask，处理效率及其地下。

策略

最好的办法：在数据处理系统的最前端（预处理/采集），就将小文件合并成大文件再上传到HDFS做后续分析。

如果已经上大量小文件再HDFS中了可以使用另一种inputFormat来做切片（CombineFileInputFormat），他的切片逻辑跟FileInputFormat不同：它可以将多个小文件从逻辑上规划到一个切片中， 这样多个小文件就可以交给一个maptask。