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
- 数据倾斜
- Map和Reduce数设置不合理
- Map运行时间太长,导致Reduce等待太久
- 小文件过多
- 大量的不可分块的超大文件
- Spill次数过多
- 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:
- 数据输入
- Map阶段
- Reduce阶段
- IO传输
- 数据倾斜问题
- 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
- 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
- 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
- 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
- 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.”。 |