1)数据输入小文件处理:
- 合并小文件:对小文件进行归档(har)、自定义 inputFormat、将小文件存储成 sequenceFile 文件
- 采用 CombineFileInputFormat 作为输入,解决输入端的大量小文件场景
- 对于大量小文件 Job,可以开启 JVM 重用,推荐阅读:Hadoop的JVM重用
2)Map 阶段
- 增大环形缓冲区大小和溢写的比例。减少溢写(spill)次数,从而减少磁盘IO。
- 减少对溢写文件的 merge 次数。通过增大 merge 的文件数目,减少 merge 的次数,从而缩短时间。
- 不影响实际业务的前提下,采用 combiner 提前合并,减少IO
3)Reduce 阶段
- 合理设置 Map 和 Reduce 数。两个都不能设置太少,也不能设置太多。太少,会导致 task 等待,延长处理时间;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通信消耗。
- 增加每个 reduce 去 map 中拿数据的并行数。
- 集群性能可以的前提下,增大 reduce 端存储数据内存的大小。
4)IO 传输
- 采用数据压缩的方式,减少网络 IO 的时间。安装 Snappy 和 LZOP 压缩编码器。
- 使用 SequenceFile 二进制文件。
5)整体
- MapTask 默认内存大小是1G,可以增加 MapTask 内存大小为 4~5G
- ReduceTask 默认内存大小是1G,可以增加 ReduceTask 内存大小为 4~5G
- 可以增加 MapTask 的 CPU 核数,增加 ReduceTask 的 CPU 核数
- 增加每个 Container 的 CPU 核数和内存大小
- 调整每个 MapTask 和 ReduceTask 最大重试次数