关于MapReduce的优化方法大全

优化做的好不好，决定你花钱的多少，资金有限的情况下，想要搭建一组性能不错的服务器，优化就显得格外重要了，那么本人总结了如下优化方案，供大家参考，欢迎大佬们留言讨论。

MapReduce优化方法呢，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。

我们逐个详细介绍一下：

一丶数据输入：（针对大量小文件场景）

        1、合并小文件：在执行MR任务前将小文件进行合并，因为大量小文件会产生大量的Map任务，增大Map任务装载次数，任务的装载又比较耗时，导致MR运行较慢，所以我们需要在MR开始前及进行合并。

        2、采用CombintTextInputFormat来作为输入，解决输入端大量小文件的场景。

二、Map阶段：                                                                           

        1、减少溢写（spill）次数：通过调整参数值（mapreduce.task.io.sort.mb和mapreduce.map.sort.spill.percent），增大触发spill的内存上线，减少spill次数，从而减少磁盘的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，减少merge的次数，从而缩短处理时间

        3、在map之后，不影响业务逻辑前提下，先进行combine处理，减少IO。

三、Reduce阶段：

        1、设置Map、Reduce共存：调整mapreduce.job.reduce.slowstart.comletedmaps参数，使Map运行到一定程序后，Reduce也开始运行，减少Reduce等待时间。

        2、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从磁盘中获取所有数据，所以Buffer和Reduce使没有直接关联的，这就导致了会有多次IO进行，那么我们可以设置参数，使得buffer中的一部分数据可以直接输送到Reduce，从而减少IO。参数：mapreduce.reduce.input.buffer.percent，默认为0.0，当值大于0时，会保留指定比例的内存读Buffer中的数据直接拿给Reduce，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，所以我们对这个参数进行调整即可。

四、IO传输阶段：

        1、采用数据压缩的方式：没啥好解释的，就是合并文件，可以减少IO的时间，安装Snappy和LZO压缩编码器。这两最好用，用就完事了。Snappy速度非常快，系统自带。LZO速度也可以，并且LZO支持切片。

        2、使用SequenceFile二进制文件。

五、数据倾斜问题：

        啥事数据倾斜想必不用我多说了，就是某一区域数据量远远大于其他区域，好比你一台服务器满了，另一台啥都没存，这还玩啥？我们肯定不允许这种事情发生。

        方案：

        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边界值

        2、自定义分区：打个比方：如果Map输出键是某个学校里的学生，而其中某个班的学生较多，那么就可以自定义分区，将这个班的学生发送给固定的Reduce实例，其他的都发送给剩下的rudece实例。

        3、Combiner：它的目的就是聚合并精简数据，上面map阶段已经介绍过了。

        4、采用MapJoin，尽量避免ReduceJoin。根据情况选择，ReduceJoin有数据倾斜的情况，MapJoin不会，不过MapJoin适用于一张表很小，另一张表很大的情况，如果两张表都很大，就不太适用了。它是先将小表加载，然后在进行MapReduce操作，比方说：超市，有商品id是一个小表，有商品数量，进货售出详细情况，流水这是一个大表，那么采用MapJoin就很适合。

六、常用的调优参数：

        重点来了！重点来了！！说了这么多调优的方案，那么该怎么具体实现呢，我总结了一些调优参数，给各位做参考。

        1、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）

配置参数	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启动之前就配置在服务器的配置文件中才能生效（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，应在YARN启动之前就配置好（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%剩余空间在20-30m即可

        4、MapReduce的性能优化

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.”。

好了，目前就总结这么多，希望能帮到大家解决手上的困难。