Hadoop-企业优化

1、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）spill 次数过多 （7）merge 次数过多等。

2、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：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。

2.2、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。

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、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。

2.4、IO 传输

1）采用数据压缩的方式，减少网络 IO 的的时间。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

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。

3）减少数据倾斜的方法

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。

2.6、常用的调优参数

1）资源相关参数

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）

以下应该在 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）

以下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)

3、HDFS 小文件优化方法

3.1、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。

3.2、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。