Hadoop企业级优化

　　　　　　　　　　　　Hadoop企业级优化

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　作者：尹正杰

版权声明：原创作品，谢绝转载！否则将追究法律责任。

 

 

 

一.MapReduce优化方法

1>.MapReduce跑得慢原因

　　MapReduce程序效率的瓶颈在于以下两点:
　　　　1>.服务器性能
　　　　　　(a)CPU
　　　　　　(b)内存
　　　　　　(c)磁盘健康
　　　　　　(d)网络

　　　　2>.I/O操作优化
　　　　　　(a)数据倾斜
　　　　　　(b)Map和Reduce数设置不合理
　　　　　　(c)Map运行时间太长,导致Reduce等待过久
　　　　　　(d)小文件过多
　　　　　　(e)大量的不可分块的超大文件
　　　　　　(f)Spill次数过多
　　　　　　(g)Merge次数过多等

　　　　

　　MapReduce优化方法主要从六个方面考虑：
　　　　数据输入
　　　　Map阶段
　　　　Reduce阶段
　　　　IO传输
　　　　数据倾斜问题
　　　　常用的调优参数

2>.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，增打Map任务装载次数，而任务的装载是比较耗时的，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。

3>.Map阶段

　　减少溢写(Spill)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次数，从而减少磁盘IO。

　　减少合并(Merge)次数:
　　　　通过调整io.sort.factor参数,增大Merge的文件数目,减少Mergee的次数,从而缩短MR处理时间。

　　Combine处理:
　　　　在Map之后，Shuffle之前且不影响业务五逻辑前提下，先进行Combine处理，减少I/O。

4>.Reduce阶段

　　合理设置Map和Reudce数量:
　　　　两个都不能设置太少，也不能设置太多。
　　　　设置太少会导致Task等待，延长处理时间;
　　　　设置太多会导致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。

　　设置合理Reduce端的Buffer:
　　　　默认情况下,数据达到一个阈值的时候，Buffer中的数据会写入磁盘，然后Reduce会从磁盘中获得所有的数据。也就说说，Buffer和Reduce时没有直接关联的，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I/O开销:mapreduce.reduce.input.buffer.perent,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需要内存，读取数据需要内存，Reduce计算也要内存，所以要根据作业的运行情况进行调整。

5>.I/O传输

　　采用数据压缩方式:
　　　　减少网络IO的时间，按照Snappy和LZO压缩编码器。

　　使用SequenceFile:
　　　　是一个序列化的二进制文件,占用空间较少。比如使用TextInputFormat存储数字1000000，需要7个字节存储，而SequenceFile仅需要4个自己，原因就是前者保存的是字符类型而后者保存的是int类型。

6>.减少数据倾斜问题

　　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它区域。
　　　　数据大小倾斜:
　　　　　　部分记录的大小远远小于平均值。

　　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固定的一部分MReduce实例。而将其它的都发送到剩余的Reduce实例。
　　　　Combine:
　　　　　　使用Combine可以大量减少数据倾斜。在可能的情况下，Combine的目的就是聚合并精简数据。
　　　　采用Map Join:
　　　　　　尽量避免Reduce Join:
　　　　采用散列值:
　　　　　　使用默认的hashCode算法，我们将所有的key前面加上随机字符串，这样hashCode也会将数据均匀的散落在其它的Reduce阶段。
　　　　改变Key的力度:
　　　　　　比如国内疫情期间，如果按照升级划分一起人数，可能某些Reduce处理的数据会出现数据倾斜，我们可以将Key的粒度细化，比如将省级单位的市级单位作为Key。

　　温馨提示:
　　　　数据倾斜在生产环境中肯定可以遇到，但是不要太过于苛刻，如果偏移的量不是特别大也可以暂时不考虑处理，数据倾斜没有特别根治的办法，但是某个Reduce处理的数据如果比其他的Reduce的数量达到数十倍的话还是需要解决一下。

 

二.HDFS小文件优化方法

1>.HDFS小文件弊端

　　HDFS上每个文件都要在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，就会产生很多的索引文件，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得索引速度变慢。

2>.HDFS小文件解决方案

　　小文件的优化无非以下几种方式：
　　　　(a)在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS。
　　　　(b)在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。
　　　　(c)在MapReduce处理时，可采用CombineTextInputFormat提高效率。

　　HDFS小文件解决方案:
　　　　(a)Hadoop Archive
　　　　　　是一个高效的将小文件放入HDFS块中的文件归档工具，它能够将多个小文件打包成一个HAR文件，这样减少了NmaeNode的内存使用。

　　　　(b)Sequence File
　　　　　　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。

　　　　(c)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，它会考虑数据的存储位置。

　　　　(d)开启JVM重用机制
　　　　　　对于大量小文件job,可以开启JVM重用会减少45%的运行时间。
　　　　　　JVM重用原理:一个Map运行在一个JVM上，开启重用的话，该Map的JVM上运行完毕后，JVM继续运行其它Map。
　　　　　　具体设置:mapreduce.job.jvm.numtasks值在10-20之间。

 

三.常用的调优参数

1>.MapReduce配置

　　以下参数是在用户自己的MR应用程序中配置就可以生效(也可以写入配置文件mapred-site.xml):
　　　　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。

　　Shuffle性能优化的关键参数，应在YARN启动之前就配置好:
　　　　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%
　　　　　　

　　容错相关参数:
　　　　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.”。

2>.YARN配置

　　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(也可以写入配置文件yarn-site.xml):
　　　　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