Hadoop调优

一、简述MapReduce跑的慢的原因

MapReduce程序效率的瓶颈：

1.计算机性能

    CPU、内存、磁盘的健康状态、网络

2.I/O

（1）数据倾斜

（2）Map和 Reduce数量设置不合理

（3）Map运行时间太长，导致Reduce等待太久

（4）小文件过多

（5）数据量大的不支持切片额压缩文件太多

（6）Spilt次数过多

（7）Merge次数过多

二、MapReduce优化方法

MapReduce的优化方法主要从六个方面考虑：

数据输入阶段、Map阶段、Reduce阶段、IO传输阶段、数据倾斜问题、常用的调优参数

2.1 数据输入

（1）合并小文件

        在执行Map任务前将小文件进行合并，因为大量的小文件会产生大量的Map任务，增大Map任务装载的次数，而任务的装载比较耗时，从而导致Map运行较慢。

（2）采用CombineTextInputFormat来作为输出，解决输入端大量小文件的情况

2.2 Map阶段

（1）减少溢写（Spill）的次数

        通过调整 mapreduce.task.io.sort.mb 及 mapreduce.map.sort.spill.percent 参数值，增大出发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 mapreduce.task.io.sort.factor 参数，增大Merge的文件数目，较少Merge的次数，从而缩短MapReduce的处理时间。

（3）在Map之后，不影响业务逻辑的前提下，先进行Combine处理，减少IO

2.3 Reduce阶段

（1）合理设置Map和Reduce的数量

（2）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（提前申请资源），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中的数据就会写入到磁盘，然后Reduce会从磁盘中获取所有数据。也就是说，Buffer和Reduce是没有直接关联的，中间存在多次写入磁盘到读取磁盘的过程，可以通过 mapreduce.reduce.input.buffer.present 的参数使Buffer中的一部分数据可以直接输送到Reduce，从而减少IO开销。

        此参数默认为0.0。当值大于0时，会保留指定比例的内存读Buffer中的数据直接给到Reduce端使用。这样设置，会导致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此参数。

2.4 IO传输

（1）参数数据压缩的方式

        此方法可以减少网络IO的时间。但是需要安装Snappy和LZO压缩编码器。

（2）使用SequenceFile二进制文件（很少使用）

2.5 数据倾斜问题

        数据倾斜分为两类：数据频率倾斜（某一区域的数据量要远远大于其他区域）和数据大小倾斜（部分记录的数据大小远远大于平均值）

        解决方法：

（1）抽样和范围分区

        通过对原始数据进行抽样得到的结果集来预设分区的边界值。

（2）自定义方法区

        基于输出键的背景知识进行分区。例如，如果Map输入的键的单词来与某一本书，书中的某几个词汇比较多，此时就可以自定义分区将这些词汇发送给部分Reduce实例，剩下的单词都发给剩下的Reduce实例。

（3）Combiner

        使用Combiner可以大量的减少数据倾斜，在可能的情况下，Combiner的作用就是聚合并且精简数据。

（4）采用Map Join，而避免使用Redcue Join

2.6 常用的调优参数

2.6.1 资源相关的参数

（1）以下参数是在用户自己的MapReduce应用程序中配置就可以生效（mapred-default.xml）

参数配置	参数说明
mapreduce.map.memory.mb	一个MapTask可使用的资源上限（单位:MB），默认为1024。如果MapTask实际使用的资源量超过该值，则会被强制杀死。
mapreduce.reduce.memory.mb	一个ReduceTask可使用的资源上限（单位:MB），默认为1024。如果ReduceTask实际使用的资源量超过该值，则会被强制杀死。
mapreduce.map.cpu.vcores	每个MapTask可使用的最多cpu core数目，默认值: 1
mapreduce.reduce.cpu.vcores	每个ReduceTask可使用的最多cpu core数目，默认值: 1
mapreduce.reduce.shuffle.parallelcopies	每个Reduce去Map中取数据的并行数。默认值是5
mapreduce.reduce.shuffle.merge.percent	Buffer中的数据达到多少比例开始写入磁盘。默认值0.66
mapreduce.reduce.shuffle.input.buffer.percent	Buffer大小占Reduce可用内存的比例。默认值0.7
mapreduce.reduce.input.buffer.percent	指定多少比例的内存用来存放Buffer中的数据，默认值是0.0

（2）在Yarn启动之前配置在服务器的配置文件中生效（yarn-default.xml）

配置参数	参数说明
yarn.scheduler.minimum-allocation-mb	给应用程序Container分配的最小内存，默认值：1024
yarn.scheduler.maximum-allocation-mb	给应用程序Container分配的最大内存，默认值：8192
yarn.scheduler.minimum-allocation-vcores	每个Container申请的最小CPU核数，默认值：1
yarn.scheduler.maximum-allocation-vcores	每个Container申请的最大CPU核数，默认值：32
yarn.nodemanager.resource.memory-mb	给Containers分配的最大物理内存，默认值：8192

（3）Shuffle性能优化的关键参数，在Yarn启动前配置（mapred-default.xml）

配置参数	参数说明
mapreduce.task.io.sort.mb	Shuffle的环形缓冲区大小，默认100m
mapreduce.map.sort.spill.percent	环形缓冲区溢出的阈值，默认80%

2.6.2 容错相关的参数（MpaReduce性能优化）

配置参数	参数说明
mapreduce.map.maxattempts	每个Map Task最大重试次数，一旦重试次数超过该值，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，一旦重试次数超过该值，则认为Map 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，也许永远会卡住，为了防止因为用户程序永远Block住不退出，则强制设置了一个该超时时间（单位毫秒），默认是600000（10分钟） 如果你的程序对每条输入数据的处理时间过长（比如会访问数据库，通过网络拉取数据等），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.”

2.7 Hadoop小文件的优化方法

2.7.1 hadoop小文件的弊端：

        HDFS上每个文件都要在NameNode上创建对应的元数据，这个元数据的大小约为15bytes，这样当小文件比较多的时候，就会产生很多的元数据来标记它们的位置，不仅会大量占用NameNode的内存空间，元数据文件件过多还会导致寻址索引速度变慢。

        小文件过多，在进行MapReduce运算时，会切成过多的切片，从而需要启动过多的MapTask而每个MapTask的处理量又很小，导致MapTask的处理时间小于启动时间，白白浪费了资源。

2.7.2 解决方法

小文件优化的方向：

        a.在数据采集的时候，就将小文件或小批量的数据合成大文件在上传给HDFS。

        b.在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。

        c.在MapReduce处理时，可采用CombineTextInputFormat提高效率。

        d.开启 uber 模式，实现 jvm 的重用。

（1）Hadoop Archive

        它是一个高效的将小文件放入HDFS块中的文件存档工具，能够将多个小文件打包成一个HAR文件，从而达到减少NameNode的内存使用的目的。

（2）SequenceFile

        它是由一系列的二进制 k/v 组成，如果 key 为文件名，value为文件内容，可将大批小文件合并成一个大文件。

（3）CombineTextInputFormat

        它用于将多个小文件在切片过程中生成一个单独的切片或者少量的切片。

（4）开启 uber 模式，实现 jvm 重用

        默认情况下，每个Task任务都需要启动一个 jvm 来运行，如果Task任务计算的数据量很小，可以让同一个Job的多个 Task 运行在一个 jvm 中。

        开启uber模式，在 mapred-site.xml 中添加如下配置

<!--  开启uber模式 -->
<property>
  <name>mapreduce.job.ubertask.enable</name>
  <value>true</value>
</property>

<!-- uber模式中最大的mapTask数量，可向下修改  --> 
<property>
  <name>mapreduce.job.ubertask.maxmaps</name>
  <value>9</value>
</property>
<!-- uber模式中最大的reduce数量，可向下修改 -->
<property>
  <name>mapreduce.job.ubertask.maxreduces</name>
  <value>1</value>
</property>
<!-- uber模式中最大的输入数据量，默认使用dfs.blocksize 的值，可向下修改 -->
<property>
  <name>mapreduce.job.ubertask.maxbytes</name>
  <value></value>
</property>