终于看到这么亲民的标题了,一般到了优化的部分,基本上就接近尾声了。没错,Hadoop部分即将结束了,Hadoop HA部分的讲解就放到Zookeeper之后吧,毕竟HA要用到Zookeeper。关注专栏《破茧成蝶——大数据篇》查看相关系列的文章~
目录
一、MapReduce运行慢的原因
首先我们来看一下有哪些原因导致MapReduce运行缓慢。首先可能是因为计算机的性能,例如:CPU、内存、磁盘、网络等等。当然还有一些其他的原因,例如:(1)数据倾斜,(2)Map和Reduce数设置不合理,(3)Map运行时间过长导致Reduce等待太久,(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,(7)Merge次数过多等等。
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。再执行MapReduce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MapReduce运行较慢。
2、采用CombineTextInputFormat来作为输入,解决输入端大量小文件场景。
2.2 Map阶段
1、减少溢写(Spill)次数。通过调整io.sort.mb以及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、减少合并(Merge)次数。通过调整io.sort.factor参数,增大Merge的文件数目,减少Merge的次数,从而缩短MapReduce的处理时间。
3、在Map之后,不影响业务逻辑的前提下,先进行Combiner处理,减少IO。
2.3 Reduce阶段
1、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。
2、设置Map和Reduce共存。调整slowstart.completedmaps参数,使Map运行一定程度后,Reduce也开始运行,减少Reduce的等待时间。
3、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消耗。
4、合理设置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会从磁盘中获得所有的数据。也就是说,Buffer和Reduce是没有直接关联的,中间多次写磁盘、读磁盘的过程,既然有这样的弊端,那么就可以通过参数来配置,是的Buffer中的一部分数据可以直接输送到Reduce,从而减少IO开销。mapreduce.reduce.input.buffer.percent默认为0.0。当值大于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。这样一来,设置Buffer需要内存,读取数据需要内存,Reduce计算也需要内存,所以需要根据作业的运行情况进行调整。
2.4 IO传输
1、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。
2、使用SequenceFile二进制文件。
2.5 数据倾斜问题
数据倾斜可以分为两类,一类是数据频率倾斜,一类是数据大小倾斜。数据频率倾斜是指某一个区域的数据量要远远大于其他区域。数据大小倾斜是指部分记录的大小远远大于平均值。可以使用如下方法减少数据倾斜。
1、抽样和范围分区。可以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 。
2、自定义分区。基于输出键的背景知识进行自定义分区。
3、Combine。使用Combine可以大量减小数据倾斜,在可能的情况下,Combine的目的就是聚合并精简数据。
4、采用Map Join,尽量避免Reduce Join。
2.6 常用的参数调优
1、以下参数可以配置在自己的应用程序中(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 |
2、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 | 给Containers分配的最大物理内存,默认值:8192 |
3、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% |
4、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,一旦重试参数超过该值,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,一旦重试参数超过该值,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。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.”。 |
三、HDFS小文件优化方法
3.1 小文件的弊端
HDFS上每个文件都要在NameNode上建立一个索引,这个索引的大小约为150byte,这样当小文件比较多的时候,就会产生很多的索引文件,一方面会大量占用NameNode的内存空间,另一方面就是索引文件过大使得索引速度变慢。
3.2 小文件解决方案
小文件的优化无非以下几种方式:(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JVM重用,将mapreduce.job.jvm.numtasks的值设置在10-20之间。
本文到此也就结束了,你们在此过程中存在什么问题,欢迎留言,让我看看你们都遇到了什么问题~