一、MapReduce 跑得慢的原因
1、计算机性能
CPU、内存、磁盘健康、网络
2、I/O 操作优化
(1) 数据倾斜
(2) Map 和 Reduce 数设置不合理
(3) Map 运行时间太长,导致 Reduce 等待过久
(4) 小文件过多
(5) 大量的不可分块的超大文件
(6) spill 次数过多
(8) Merge 次数过多等
二、MapReduce 优化方法
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、数据倾斜问题和常用的调优参数。
2.1 数据输入
1、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。
2、采用 CombineTextInputFormat 来作为输入,解决输入端大量小文件的场景。
2.2 Map 阶段
1、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。
2、减少(Merge)次数:通过调整 io.sort.factor 参数,增加 Merge 的文件数目,减少 Merge 的次数,从而缩短 MR 处理时间。
3、在 Map 之后,不影响业务逻辑的前提下,先进行 Combine 处理,