Hadoop优化有哪些方面

---

Hadoop的优化可以从以下方面进行：

1. 减少HDFS上的小文件的影响

• 影响 NameNode 的寿命，因为文件元数据存储在 NameNode 的内存中
• 影响计算引擎的任务数量，比如每个小的文件都会生成一个 Map 任务

2. 数据输入小文件处理：

• 合并小文件：对小文件进行归档（Har）、自定义 Inputformat 将小文件存储成SequenceFile 文件
• 采用 ConbinFileInputFormat 来作为输入，解决输入端大量小文件场景
• 对于大量小文件 Job，可以开启 JVM 重用

3. Map 阶段

• 增大环形缓冲区大小。由 100m 扩大到 200m，即调整mapreduce.task.io.sort.mb参数
• 增大环形缓冲区溢写的比例。由 80%扩大到 90%，即调整mapreduce.map.sort.spill.percent参数
• 减少对溢写文件的 merge 次数。（10 个文件，一次 20 个 merge），即调整mapreduce.task.io.sort.factor参数
• 不影响实际业务的前提下，采用 Combiner 提前合并，减少 I/O

4. Reduce 阶段

• 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
• 设置 Map、Reduce 共存：调整 mapreduce.job.reduce.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
• 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
• 增加每个 Reduce 去 Map 中拿数据的并行数
• 集群性能可以的前提下，增大 Reduce 端存储数据内存的大小

5. IO 传输

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

6. 整体

• MapTask 默认内存大小为 1G，可以增加 MapTask 内存大小为 4-5g，即mapreduce.map.memory.mb参数
• ReduceTask 默认内存大小为 1G，可以增加 ReduceTask 内存大小为 4-5g，即mapreduce.reduce.memory.mb参数
• 可以增加 MapTask 的 cpu 核数，增加 ReduceTask 的 cpu 核数，即mapreduce.map.cpu.vcores和mapreduce.reduce.cpu.vcores参数
• 增加每个 Container 的 cpu 核数和内存大小
• 调整每个 Map Task 和 Reduce Task 最大重试次数，即mapreduce.map.maxattempts和mapreduce.reduce.maxattempts