MapReduce优化
- (1)合并小文件:在执行mr任务前在HDFS上用appendToFile命令将小文件进行合并,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。
//将1.txt和2.txt合并,并上传到hdfs上
hadoop fs -appendToFile 1.txt 2.txt hdfs://cdh5/tmp/lxw1234.txt
(2)采用CombineTextInputFormat来作为输入,它可将多个小文件从逻辑上规划到一个切片中,多个小文件就可以交给一个maptask解决,解决输入端大量小文件场景。 - map阶段
1)减少溢写次数:通过调整io.sort.mb及sort.spill.persent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,不影响业务逻辑的前提下,先进行combine处理,减少I/O - Reduce阶段
1)合理设置map和reduce数量: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计算也需要内存,所以要根据作业的运行情况进行调整。 - I/O传输
1)采用数据压缩的方式,减少网络IO的时间。安装Snappy和LZO压缩编码器
2)使用sequenceFile二进制文件 - 参数调优
1)mr中应用程序中配置就可以生效
mapreduce.map.memory.mb:一个map task可使用的资源上限(单位:MB),默认为1024,如果Map Task实际使用的资源量超过该值,则会强制杀死。
2)mapreduce.reduce.memory.mb:一个reduce task可使用的资源上限(单位:MB),默认为1024,如果reduce Task实际使用的资源量超过该值,则会强制杀死。
3)mapreduce.map.cpr.vcoures:每个Map task可使用的最多cpu core 数目,默认值:1
4)mapreduce.reduce.cpu.vcores:每个Reduce task可使用的最多cpu core数目,默认值:1
yarn-default.xml参数配置
1)yarn.scheduler.minimum-allocation-mb(1024):给应用程
分配的最小内存
2)yarn.scheduler.maximum-allocation-mb(8192):给应用程序分配的最大内存
3)yarn.scheduler.minimum-allocation-vcores 1:每个container申请的最小CPU核数
4)yarn.scheduler.maximum-allocation-vcores(32):每个container申请的最大CPU核数
5)yarn.nodemanager.resource.memory-mb(8192):给container分配的最大物理内存
shuffle性能优化的关键参数,应在yarn启动之前具配置好(mapred-default.xml)
mapreduce.task.io.sort.mb(100):shuffle的环形缓冲区大小,默认100m
mapreduce.map.sort.spill.persent(0.8):环形缓冲器溢出的阈值默认80%。
容错参数配置
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Reduce 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,也许永远会卡主,为了防止因为用户程序永远block住不退出,则强制设置了一个超过该时间,默认是600000毫秒,,如果你的程序对每条输入数据的处理时间过长,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.”