Hadoop的企业优化……

MapReduce 跑的慢的原因？

Mapreduce 程序效率的瓶颈在于两点：
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等待过久
（4）小文件过多
（5）大量的不可分块的超大文件
（6）spilt次数过多
（7）merge次数过多等。

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。

数据输入

（1）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，增大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。
（2）采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。

Map阶段

1）减少溢写（spill）次数：通过调整io.sort.mb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mr处理时间。3）在map之后，不影响业务逻辑前提下，先进行combine处理，减少 I/O。

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、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。
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，中间多个一个写磁盘->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IO开销：mapred.job.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。

IO传输

1）采用数据压缩的方式，减少网络IO的的时间。安装使用Snappy和LZO压缩编码器。
2）使用SequenceFile二进制文件。

数据倾斜

1）数据倾斜现象
数据频率倾斜——某一个区域的数据量要远远大于其他区域。
数据大小倾斜——部分记录的大小远远大于平均值。
2）如何收集倾斜数据在reduce方法中加入记录map输出键的详细情况的功能。

java
public static final String MAX_VALUES = "skew.maxvalues";
 private int maxValueThreshold; 
  @Override
  public void configure(JobConf job) {     
   		maxValueThreshold = job.getInt(MAX_VALUES, 100); } 
   
   @Override
   public void reduce(Text key, Iterator<Text> values,  OutputCollector<Text, Text> output,   Reporter reporter) throws IOException {   
     int i = 0;   
   		while (values.hasNext()) {         
   		values.next();         i++;    
    }   
     if (++i > maxValueThreshold) {  
     	 log.info("Received " + i + " values for key " + key);    
     	  }
     	  }

数据倾斜的方法:
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。
方法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。
方法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。
方法4：采用Map Join，尽量避免Reduce Join。

常用的调优参数

1）资源相关参数
（1）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）

（2）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）

（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）

2）容错相关参数(mapreduce性能优化)

HDFS小文件优化方法

HDFS小文件弊端:

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是的索引速度变慢。

解决方案:

1）Hadoop Archive: 是一个高效地将小文件放入HDFS块中的文件存档工具，它能够将多个小文件打包成一个HAR文件，这样就减少了namenode的内存使用。
2）Sequence file： sequence file由一系列的二进制key/value组成，如果key为文件名，value为文件内容，则可以将大批小文件合并成一个大文件。
3）CombineFileInputFormat： CombineFileInputFormat是一种新的inputformat，用于将多个文件合并成一个单独的split，另外，它会考虑数据的存储位置。
4）开启JVM重用对于大量小文件Job，可以开启JVM重用会减少45%运行时间。JVM重用理解：一个map运行一个jvm，重用的话，在一个map在jvm上运行完毕后，jvm继续运行其他map。具体设置：mapreduce.job.jvm.numtasks值在10-20之间。