MapReduce优化----基本参数的设定

基本参数

要对你的MapReduce Task进行优化，首先我们需要了解一些基本的参数：

dfs.block.size, dfs.blocksize： 默认的HDFS文件系统的block大小，单位为byte。
mapred.compress.map.output: map的输出是否压缩
mapred.map/reduce.tasks.speculative.execution: 推测执行的配置项,如果一个task的执行进度比总体的平均执行要慢，Job Tracker会启动一个新的任务（duplicate task），原有任务和新任务哪个先执行完就把另外一个kill掉，这也是我们经常在Job Tracker页面看到任务执行成功，但是总有些任务被kill，就是这个原因。
mapred.tasktracker.map/reduce.tasks.maximum：一个task tracker所能同时执行的最大map/reduce任务数
io.sort.mb：当Map任务运行时，所产生的中间数据并非直接写入disk，而是利用内存buffer来存储。而当buffer达到一定阈值，一个后台线程会被启动，并对buffer的内容进行排序并写入disk（一个spill文件）。该默认值是100M， 而大的集群可以设置为200M.
io.sort.factor: 当Map任务执行完之后，本地磁盘上一般会产生若干spill文件，而map task最后会对spill文件进行merge排序将其整合成一个文件（partition）。而当map task进行merge sort的时候，一次打开多少个spill文件则由该参数决定。
mapred.job.reuse.jvm.num.tasks: 默认每一个JVM只运行一个任务，使用JVM重用后一个JVM可以顺序执行多个任务，减少了启动时间。对于一个job，该参数表明可利用相同的JVM顺序执行多少个task。默认为1，该参数是客户端参数，修改不需要重启tasktracker，可以在提交job的shell或者代码中设置。
mapred.reduce.parallel.copies: Reduce阶段的copier线程数。Reduce一般来说分成三个阶段，copy, sort和reduce. Copy也等同于shuffle, 当job完成5%的map task数量之后reducer则启动，从不同的已经完成的mapper上下载属于自己的reduce部分数据，由于mapper的数量很多，对于reduce来说，可以并行下载。该参数默认值为5，而大型集群可调整为16-25.
工作流程
在了解以上主要参数后，我们来看看Map和Reduce的工作流程。顾名思义，MapReduce大体上分成Map Operation和Reduce Operation两大操作。而具体来说，Map Operation包含了：
- Map Processing： HDFS系统将输入文件进行分割，根据block的大小（dfs.block.size)。而输入文件数量则由mapred.min.split.size和mapred.max.split.size决定（如果你有进行定义的话）。输入文件将会被以key value数据对的形式读入，每一个key value数据对将会唤醒一个map函数，而产生的中间数据首先被写入内存的缓存。
- Spill：当缓存的读写超出了一个阈值之后（io.sort.spill.percent控制），一个后台线程将会被自动启动，将缓存里的内容写入磁盘，该部分内容以文件的形式存储，每一个文件称之为一个spill。Spill文件的写入方式为round-robin。写入磁盘的路径为由mapred.local.dir控制。Spill的写入和缓存的写入可以同时进行，每次缓存的写入超出阈值，那么一个新的spill文件就会产生。
- Partitioning：map task最后会对spill文件进行merge排序将其整合成一个文件（partition）。
- Sorting: 在数据写入内存的时候，Map task其实就已经根据key来对中间数据进行了排序。
- Merging: 当Map任务执行完之后，本地磁盘上一般会产生若干spill文件，而map task最后会对spill文件进行merge排序将其整合成一个文件（partition）。而当map task进行merge sort的时候，一次打开多少个spill文件则由io.sort.factor决定。
- Compression: Map任务所产生的输出文件在写入磁盘之前可以被压缩，这样可以节省一定的磁盘空间，但是当被压缩的输出文件在reduce之前需要被解压缩。是否对输出文件进行压缩由mapred.compress.map.output控制。而压缩函数的函数库由mapred.map.output.compression.codec控制。输出文件以HTTP协议传输至reducer，并行传输是可以被允许的，但传输线程数由tracker.http.threads控制。
Reduce Operation包括：
- Copy: Map任务的输出文件将会被copy到对应的reducer，reducer可以多线程copy数据，默认的最大线程数是5，由mapred.reduce.parallel.copies控制。类似于Map，Reducer也有一个内存缓存（大小由mapred.job.shuffle.input.buffer.percent控制，percent是针对于Java Heap大小），来自于map的输入文件先写入内存缓存，然后超出阈值之后才会被写入磁盘 （mapred.job.shuffle.merge.percent控制，或者超过总的map output的数量，由mapred.inmem.merge.threshold控制）。
- Merge: 由于在map任务执行的过程中，输出值已经被进行了排序，所以Reduce任务只需根据排序的结果进行merge。当所有的map任务结束和输出文件被copy到reducer之后，该任务启动。根据io.sort.factor的设置情况和map的输出文件，reduce会进行>=1轮的merge。举个例子，如果有40个map输出文件，而io.sort.factor设定为10，那么将会有四轮merge。第一轮，将会有4个输出文件进行排序（1个merge文件，30个未merge文件），接下来的三轮每轮将会有10个文件被merge。此时将会有4个文件，这4个文件将会直接进入Reduce阶段。
- Reduce: Reduce函数运行并将Merge过程所产生的剩余文件进行最终处理，把结果写入output文件夹(HDFS).
进行优化
清楚整个MapReduce的过程之后，我们就可以对MapReduce的过程进行优化：

- dfs.block.size: Hadoop默认block size是64M，对于一个160G的input文件来说，其产生的map数量为(160*1024)/64 = 2560maps。如果调整block大小为128M，那么map数量将会减少至1280. 对于小型集群（6-7个服务器），最好避免产生太多的map，所以根据实际情况，dfs.block.size不要太小，也不要太大而影响到整个集群的数据存储。dfs.block.size没有一个固定的设置，而应该根据集群的大小，map任务的复杂度以及平均输入文件的大小来调整。

- mapred.compress.map.output: 是否对map的输出文件进行压缩。如果设置成true，那么可以节省磁盘空间，加快数据写入时间，缩短数据传输时间。但是压缩数据需要时间，并且在Reduce阶段需要对数据进行解压缩。建议，对于大型集群，和大型的mapReduce任务，将该参数设置为true。

- mapred.map/reduce.tasks.speculative.execution: 推测执行的配置项,如果一个task的执行进度比总体的平均执行要慢，Job Tracker会启动一个新的任务（duplicate task），原有任务和新任务哪个先执行完就把另外一个kill掉。默认是true，建议是对于大型的mapReduce任务（每个task的执行时间较长），设置为false。

- mapred.tasktracker.map/reduce.tasks.maximum: 一个tasktracker所能执行的最大map/reduce任务数。默认为2，建议，根据集群的硬件配置进行设置，例如，一个8G内存+8core的服务器，可以设置为10，因为一个task所需求的最大memory为500M，而tasktracker和datanode以及其它程序所需的内存约为3G，所以（8-3）G/500MB=10.注意，每个task（JVM）的内存由mapred.child.java.opts控制，默认为200M.

- io.sort.mb: 当Map任务运行时，所产生的中间数据并非直接写入disk，而是利用内存buffer来存储。而当buffer达到一定阈值，一个后台线程会被启动，并对buffer的内容进行排序并写入disk（一个spill文件）。该默认值是100M， 而大的集群可以设置为200M.

- io.sort.factor:当Map任务执行完之后，本地磁盘上一般会产生若干spill文件，而map task最后会对spill文件进行merge排序将其整合成一个文件（partition）。而当map task进行merge sort的时候，一次打开多少个spill文件则由该参数决定。建议，对于大型mapReduce任务（map的输出文件很大），考虑增加此参数。

- mapred.job.reuse.jvm.num.tasks: 默认每一个JVM只运行一个任务，使用JVM重用后一个JVM可以顺序执行多个任务，减少了启动时间。对于一个job，该参数表明可利用相同的JVM顺序执行多少个task。默认为1，该参数是客户端参数，修改不需要重启tasktracker，可以在提交job的shell或者代码中设置。

- mapred.reduce.parallel.copies: Copy数据到Reducer时可以启动的最大数量的并行线程。

- Reducer数量: 通常reducer的数量可以根据这个公式：0.95 or 1.75 * (nodes * mapred.tasktracker.tasks.maximum)来确定。0.95表示reduce任务可以在map任务完成之后立即启动，而1.75表示高性能，速度快的服务器先进行reduce任务。
其它系统参数的优化：
- Temporary space: 对于大型的任务，确保有足够的tmp空间保存中间数据。
- JVM大小: 对于datanode，至少分配1G的内存给TaskTracker和datanode。