1.MapReduce优化
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。
1.1 数据输入
-
当存在大量小文件时,会产生大量map任务,增加map装载次数,此时使用CombineTextInputFormat作为输入
-
大块不可切分文件:转到map阶段
1.2 Map阶段
(1)减小溢写次数
增大环形缓冲区大小。由 100m 扩大到 200m
增大环形缓冲区溢写的比例。由 80%扩大到 90%
(2)减小合并次数
增加merge文件的数目,减少对溢写文件的 merge 次数。
(3)不影响实际业务的前提下,采用 Combiner 提前合并,减少 I/O
1.3 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)增加每个 Reduce 去 Map 中拿数据的并行数
(5)集群性能可以的前提下,增大 Reduce 端存储数据内存的大小
1.4 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 LZOP 压缩编码器
(2)使用 SequenceFile 二进制文件
1.5 常用的调优参
(1)MapTask 默认内存大小为 1G,可以增加 MapTask 内存大小为 4-5g
(2)ReduceTask 默认内存大小为 1G,可以增加 ReduceTask 内存大小为 4-5g
(3)可以增加 MapTask 的 cpu 核数,增加 ReduceTask 的 CPU 核数
(4)增加每个 Container 的 CPU 核数和内存大小
(5)调整每个 Map Task 和 Reduce Task 最大重试次数