Hadoop调优

mapred.tasktracker.map.tasks.maximum

 

官方解释：The maximum number of map tasks that will be run  simultaneously by a task tracker.

 

我的理解：一个tasktracker最多可以同时运行的map任务数量

 

默认值：2

 

优化值：mapred.tasktracker.map.tasks.maximum = cpu数量

 


cpu数量 = 服务器CPU总核数 / 每个CPU的核数
服务器CPU总核数 = more /proc/cpuinfo | grep 'processor' | wc -l
每个CPU的核数 = more /proc/cpuinfo | grep 'cpu cores'


mapred.map.tasks

官方的解释：The default number of map tasks per job

 

我的解释：一个Job会使用task tracker的map任务槽数量，这个值 ≤ mapred.tasktracker.map.tasks.maximum

 

默认值：2

 

优化值：

  1. CPU数量 （我们目前的实践值）
  2. (CPU数量 > 2) ? (CPU数量 * 0.75) : 1  （mapr的官方建议）

 

注意：map任务的数量是由input spilit决定的，和上面两个参数无关

mapred.tasktracker.reduce.tasks.maximum

 

官方解释：The maximum number of reduce tasks that will be run  simultaneously by a task tracker.

 

我的理解：一个task tracker最多可以同时运行的reduce任务数量

 

默认值：2

 

优化值： (CPU数量 > 2) ? (CPU数量 * 0.50): 1 （mapr的官方建议）

mapred.reduce.tasks

 

官方解释：The default number of reduce tasks per job. Typically set to 99%  of the cluster's reduce capacity, so that if a node fails the reduces can  still be executed in a single wave.

 

我的理解：一个Job会使用task tracker的reduce任务槽数量

 

默认值：1

 

优化值：

  • 0.95 * mapred.tasktracker.tasks.maximum

理由：启用95%的reduce任务槽运行task, recude task运行一轮就可以完成。剩余5%的任务槽永远失败任务，重新执行

  • 1.75 * mapred.tasktracker.tasks.maximum

理由：因为reduce task数量超过reduce槽数，所以需要两轮才能完成所有reduce task。具体快的原理我没有完全理解，上原文：

 

    hadoop官方wiki： 写道


At 1.75 the faster nodes will finish their first round of reduces and launch a second round of reduces doing a much better job of load balancing.


 

环境变量

disable ipv6配置，修改bin/hadoop，添加下行：

 

 


HADOOP_OPTS="$HADOOP_OPTS -Djava.net.preferIPv4Stack=true"

 

Hive调优：

 

mapred.reduce.tasks

 


官方 写道


The default number of reduce tasks per job. Typically set
to a prime close to the number of available hosts. Ignored when
mapred.job.tracker is "local". Hadoop set this to 1 by default, whereas hive uses -1 as its default value.
By setting this property to -1, Hive will automatically figure out what should be the number of reducers.


 

 


我的理解


tasktracker执行hive job的reduce任务数，设置为"-1"hive将自动设置该值，策略如下：

1. hive.exec.reducers.bytes.per.reducer（默认为1GB）
2. hive.exec.reducers.max（默认为999）

mapred.reduce.tasks = min ( 参数2，总输入数据量/参数1 )

 

默认值：-1

 

优化值：显式设置为Hadoop配置中mapred.reduce.tasks值，参考上文。