Hadoop MapReduce在实际场景中的优化

一、MapReduce跑的慢的原因

MapReduce程序效率瓶颈：

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

二、MapReduce优化方法

MapReduce优化方法主要从六个方面考虑：

1. 数据输入
2. Map阶段
3. Reduce阶段
4. IO传输
5. 数据倾斜问题
6. 常用的调优参数

数据输入 ：

• 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，增加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。
• 采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。

 Map阶段：

• 减小溢写（Spill）次数：通过调整io.sort.mb及sort.spill.percent参数值，增大出发Spill的内存上限，减少Spill次数，从而减少磁盘IO
• 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MR处理时间
• 在map之后，不影响业务略及的情况下，先进行Combine处理，减少I/O

Reduce阶段：

• 设置合理的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和Reduce任务间竞争资源，造成处理超时等错误
• 设置Map和Reduce共存：调整slowstart.completedmaps参数，使Map运行到一定程度之后，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消耗

• 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,既然有这个弊端,那么就可以通过参数来配置,使得Buffer中的一部分数据可以直接输送到Reduce ,从而减少10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计算也要内存,所以要根据作业的运行情况进行调整。

I/O传输：

• 采用数据压缩的方式，减少网络IO的时间。推荐使用Snappy和LZO压缩编码器

• 使用SequenceFile二进制文件

数据倾斜问题： 

• 数据倾斜现象：
  • 数据频率倾斜——某一个区域的数据量远远大于其他区域
  • 数据大小倾斜——部分记录的大小远远大于平均值
• 减少数据倾斜的方法
  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。例如,如果Map输出键的单词来源于一本书。且其中某几个专业词汇较多。那么就可以自定义分区将这这些专业词汇发送给固定的一部分Reduce实例。而将其他的都发送给剩余的Reduce实例
  3. Combine——使用Combine可以大量地减小数据倾斜。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

 常用的调优参数：

•   以下参数是在用户自己的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

• 以下参数应该在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

• 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.”。