Hadoop企业优化
1、MapReduce跑的慢的原因
MapReduce程序效率的瓶颈主要在于两点：
1、机器性能不足（CPU、内存、磁盘健康、网络）
2、IO操作优化
- 数据倾斜
- Map和Reduce数设置不合理
- Map运行时间太长，导致Reduce等待的时间太久
- 小文件
- 大量不可切分的超大文件
- spill溢写次数过多
- merge次数过多
2、优化方法
我们可以从六个方面考虑优化问题
- 数据输入
- Map阶段
- Reduce阶段
- IO传输
- 数据倾斜问题
- 常用参数调优
2.1 数据输入
- 合并小文件：在执行MR任务前将小文件进行合并，大量的小文件会产生大量的map任务，增大Map任务装载次数，而任务的装载比较耗时，从而导致MR运行较慢。
- 采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。
2.2 Map阶段
- 减少溢写次数：通过调整io.sort..mb及sort.spill.percent参数值，增大触发spill的内存上限，减少spill此书，从而减少磁盘IO。
- 减少合并次数：通过调账io.sort.factor参数，增大merge的文件数目，减少merge的次数，从而缩短了MR处理时间。
- 在Map之后，不影响业务逻辑前提下，先进行Combine处理，减少I/O。
2.3 Reduce阶段
- 合理设置Map和Reduce数：两个都不能设置太少，也不能设置太多。太多会导致Task等待，延长处理时间；太多，会导致Map、Reduce任务间竞争资源，造成处理超时等错误。
- 设置Map、Reduce共存：调整slowstart.completedmaps参数，使Map运行到一定程度后，Reduce也开始运行，减少Reduce的等待时间。
- 规避使用Reduce：因为Reduce在用于连接数据集的时候将会产生大量的网络消耗。
- 合理是设置Reduce端的Buffer：默认情况下，数据情况下，数据达到一个阈值的时候，Buffer中的数据就会写入磁盘，然后Reduce会从磁盘中获取所有的数据。也就是说，Buffer和Reduce是没有直接关联的，中间多次写磁盘->读磁盘的过程，既然有这个弊端，那么就可以通过参数来配置，使得Buffer中的一部分数据可以直接输送到Reduce，从而减少IO开销：mapreduce.reduce.input.buffer.percent，默认为0.0.当值大于0的时候，会保留指定比例的内存读Buffer中的数据直接拿给Reduce使用，这样一来，设置Buffer需要的内存，设置Buffer需要内存，读取数据需要内存，Reduce计算也要内存，所有要根据作业的运行情况进行调整。
2.4 I/O传输
- 采用数据压缩的方式，减少网络IO的时间，安装snappy和LZO压缩编码器。
- 使用SequenceFile二进制文件。
2.5 数据倾斜问题
- 数据倾斜现象
- 数据频率倾斜——某一个区域的数据量要远远大于其他区域。
- 数据大小影斜——部分记录的大小远远大于平均值。
- 减少数据倾斜的方法
- 抽样和范围分区：可以通过对原始数据进行抽样得到的结果集来预设分区边界值
- 自定义分区：基于输出键的背景知识进行自定义分区。例如，如果Map输出键的单词来源一本书。且其中某几个专业词汇较多，那么就可以自定义分区将这些专业词汇发送给固定的一部分Reduce实例。而将其他都发动给剩余的Reduce实例
- Combine：使用combine可以大量的减少数据倾斜。在可能的情况下，combine的目的就是聚合并精简数据。
- 采用Mapjoin，尽量避免ReduceJoin
2.6 常用的调优参数
1．资源相关参数
（1）以下参数是在用户自己的MR应用程序中配置就可以生效（mapred-default.xml）
表4-12
|
配置参数 |
参数说明 |
|
mapreduce.map.memory.mb |
一个MapTask可使用的资源上限（单位:MB），默认为1024。如果MapTask实际使用的资源量超过该值，则会被强制杀死。 |
|
mapreduce.reduce.memory.mb |
一个ReduceTask可使用的资源上限（单位:MB），默认为1024。如果ReduceTask实际使用的资源量超过该值，则会被强制杀死。 |
|
mapreduce.map.cpu.vcores |
每个MapTask可使用的最多cpu core数目，默认值: 1 |
|
mapreduce.reduce.cpu.vcores |
每个ReduceTask可使用的最多cpu core数目，默认值: 1 |
|
mapreduce.reduce.shuffle.parallelcopies |
每个Reduce去Map中取数据的并行数。默认值是5 |
|
mapreduce.reduce.shuffle.merge.percent |
Buffer中的数据达到多少比例开始写入磁盘。默认值0.66 |
|
mapreduce.reduce.shuffle.input.buffer.percent |
Buffer大小占Reduce可用内存的比例。默认值0.7 |
|
mapreduce.reduce.input.buffer.percent |
指定多少比例的内存用来存放Buffer中的数据，默认值是0.0 |
（2）应该在YARN启动之前就配置在服务器的配置文件中才能生效（yarn-default.xml）
表4-13
|
配置参数 |
参数说明 |
|
yarn.scheduler.minimum-allocation-mb |
给应用程序Container分配的最小内存，默认值：1024 |
|
yarn.scheduler.maximum-allocation-mb |
给应用程序Container分配的最大内存，默认值：8192 |
|
yarn.scheduler.minimum-allocation-vcores |
每个Container申请的最小CPU核数，默认值：1 |
|
yarn.scheduler.maximum-allocation-vcores |
每个Container申请的最大CPU核数，默认值：32 |
|
yarn.nodemanager.resource.memory-mb |
给Containers分配的最大物理内存，默认值：8192 |
（3）Shuffle性能优化的关键参数，应在YARN启动之前就配置好（mapred-default.xml）
表4-14
|
配置参数 |
参数说明 |
|
mapreduce.task.io.sort.mb |
Shuffle的环形缓冲区大小，默认100m |
|
mapreduce.map.sort.spill.percent |
环形缓冲区溢出的阈值，默认80% |
2．容错相关参数(MapReduce性能优化)
表4-15
|
配置参数 |
参数说明 |
|
mapreduce.map.maxattempts |
每个Map Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。 |
|
mapreduce.reduce.maxattempts |
每个Reduce Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。 |
|
mapreduce.task.timeout |
Task超时时间，经常需要设置的一个参数，该参数表达的意思为：如果一个Task在一定时间内没有任何进入，即不会读取新的数据，也没有输出数据，则认为该Task处于Block状态，可能是卡住了，也许永远会卡住，为了防止因为用户程序永远Block住不退出，则强制设置了一个该超时时间（单位毫秒），默认是600000。如果你的程序对每条输入数据的处理时间过长（比如会访问数据库，通过网络拉取数据等），建议将该参数调大，该参数过小常出现的错误提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。 |
3、HDFS小文件优化方法
1、HDFS小文件弊端
HDFS上每个小文件都还在NameNode上建立一个索引，这个索引的大小约为150byte，这样当小文件比较多的时候，就会产生很多索引文件，一方面会大量占用NameNode的内存空间，另一方面就是索引文件过大使索引的速度很慢
2、小文件的解决方案
- 在数据采集的时候，就讲小文件或小批数据合成大文件再上传HDFS。
- 在业务处理之前，在HDFS使用MapReduce程序对小文件进行合并。
- 在MapReduce处理时，可以采用CombineTextInputFormat提高效率。
2.1 Hadoop Archive
是一个高效将小文件放入HDFS块中的文件存档工具，它能够将多个小文件打包成一个HAR文件，这样就减少了Namenode的内存使用
2.2 SequenceFile
Sequence File由一系列二进制key/value组成，如果key为文件名，value为文件内容，则可以将大批小文件合并成一个大文件。
2.3 CombineFileInputFormat
combineFileInputFormat是一种新的InputFormat，用于将多个文件合并成一个单独的split，另外考虑数据的存储位置。
2.4 开启JVM重用
对于大量小文件Job，可以开启JVM重用会减少45%运行时间。
JVM重用原理：一个Map运行在一个JVM上，开启后才重用话，该Map再JVM运行完毕之后JVM继续运行其他Map
集体设置：mapreduce.job.jvm.numtasks值在10-20之间。
感谢您的阅读，如果您觉得阅读本文对您有帮助，请点一下“推荐”按钮。本文欢迎各位转载。
