2 Hadoop优化
2.1 MapReduce跑的慢的原因
- 计算机性能：CPU、内存、磁盘健康、网络
- I/O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等待过久
- 小文件过多
- 大量的不可切片的超大压缩文件
- split次数过多
- merge次数过多
2.2 MapReduce优化方法
①数据输入
合并小文件
大量的小文件会产生大量的map任务，增大了map的装载次数，而任务的装载比较耗时间，从而导致mr运行较慢。所以在执行mr任务前将小文件合并。
采用CombineTextInputFormat作为输入
②Map阶段
减小溢写(spill)操作
通过调整mapreduce.task.io.sort.mb及mapreduce.map.sort.spill.precent参数值，增大触发spill的内存上限，较少spill次数，从而减少磁盘io
减少合并(merge)次数
通过调整mapreduce.task.io.sort.factor参数，增大merge的文件数目，减少merge的次数，从而缩短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io
③Reduce阶段
合理设置Map和Reduce数
两个都不能设置太小，也不能设置太大。太小会导致Task等待，延长处理时间；太大会导致Map，Reduce任务间竞争资源，导致处理超时等错误。
设置Map和Reduce共存
调整mapreduce.job.reduce.slowstart.completedmaps参数，使Map运行到一定程度，Reduce也开始运行，减少Reduce等待时间。
规避使用Reduce
因为reduce用于连接数据集时会产生大量的网络消耗。
设置合理的Reduce端的buffer
默认情况下，数据达到一个阈值的时候，buffer中的数据就会写入磁盘，然后reduce会从磁盘中获取所有数据。设置mapreduce.reduce.input.buffer.persent，默认为0.0。当该值大于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。
④I/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
⑤数据倾斜问题
某一个区域的数据量远远大于其他区域
抽样和范围分区
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
Combiner
采用Map join，尽量避免reduce join
2.3 常用的调优参数
用户自己的MR应用程序中配置就可以生效（mapred-default.xml）
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 |
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）
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 | 一个 nodemanager管理的物理内存，默认值：8192 |
Shuffle性能优化的关键参数，应在YARN启动之前就配置好（mapred-default.xml）
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% |
容错相关参数（MapReduce性能优化）
配置参数 | 参数说明 |
mapreduce.map.maxattempts | 每个Map Task最大重试次数，一旦重试次数超过该值，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，一旦重试次数超过该值，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（10分钟）。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.”。 |
2.4 小文件优化方法
一方面会大量占用NameNode的内存空间，另一方面就是元数据文件过多，使得寻址索引速度变慢。
导致MapTask的处理时间比启动时间还小，白白消耗资源。
（1）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。
（2）在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。
（3）在MapReduce处理时，可采用CombineTextInputFormat提高效率。
（4）开启uber模式，实现jvm重用
开启uber模式，在mapred-site.xml中添加如下配置
<!-- 开启uber模式 -->
<property>
<name>mapreduce.job.ubertask.enable</name>
<value>true</value>
</property>
<!-- uber模式中最大的mapTask数量，可向下修改 -->
<property>
<name>mapreduce.job.ubertask.maxmaps</name>
<value>9</value>
</property>
<!-- uber模式中最大的reduce数量，可向下修改 -->
<property>
<name>mapreduce.job.ubertask.maxreduces</name>
<value>1</value>
</property>
<!-- uber模式中最大的输入数据量，默认使用dfs.blocksize 的值，可向下修改 -->
<property>
<name>mapreduce.job.ubertask.maxbytes</name>
<value></value>
</property>
