hadoop优化

1. 1. 数据输入
      • 合并小文件，大量小文件会产生大量的map任务，增大Map任务装载次数
      • 采用CombineTextImputFormat来作为输入，解决输入端大量小文件场景
   2. Map阶段
      • 减少溢写(spill)次数  通过调整io.sort.mb及sort.spill.percent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。
      • 减少合并(Merge)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。
      • 在Map之后，不影响业务逻辑前提下，先进行Combine处理，减少I/O
   3. 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。
      • 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，中间多次写磁盘>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：mapreduce.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计算也要内存，所以要根据作业的运行情况进行调整。
   4. I/O传输
      • 采用数据压缩的方式，减少网络IO的的时间。安装smappy和LZO压缩编码器
      • 使用SequenceFile二进制文件。
   5. HDFS小文件优化
      • 在数据采集的时候，就将小文件或小批数据合成大文件在上传HDFS
      • 在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并
      • 在MapReduce处理时，可采用CombineTextInputFormat提高效率