1)mr程序的效率瓶颈
功能:分布式离线计算
->计算机性能
CPU、内存、磁盘、网络
->I/O操作优化
(1)数据倾斜(代码优化)
(2)map和reduce数设置不合理
(3)map运行时间太长,导致reduce等待过久
(4)小文件过多(combineTextInputFomrat小文件合并)
(5)不可分块的超大文件(不断的溢写)
(6)多个溢写小文件需要多次merge
2)mr优化方法
六个方面考虑:数据输入、Map阶段、Reduce阶段、IO传输、数据倾斜、参数调优
1>数据输入
(1)合并小文件:在执行mr任务前就进行小文件合并
(2)采用CombineTextInputFormat来作为输入,解决输 入端大量小文件的场景
mr并不适合处理大量小文件
2>Map阶段
(1)减少溢写次数(增加内存200M 80%)
<property>
<name>mapreduce.task.io.sort.mb</name>
<value>100</value>
</property>
<property>
<name>mapreduce.map.sort.spill.percent</name>
<value>0.80</value>
</property>
(2)减少合并次数(设置合并文件数,越大,合并次数越少)
<property>
<name>mapreduce.task.io.sort.factor</name>
<value>10</value>
</property>
(3)在map之后,不影响业务逻辑情况下进行combiner
3>Reduce阶段
(1)合理设置map与reduce个数
(2)设置map/reduce共存
设置运行一定程度的map运行后 启动reduce减少等待时间
<property>
<name>mapreduce.job.reduce.slowstart.completedmaps</name>
<value>0.05</value>
</property>
(3)合理设置reduce端的buffer
<property>
<name>mapreduce.reduce.markreset.buffer.percent</name>
<value>0.0</value>
</property>
4>传输
(1)进行数据压缩
(2)使用sequenceFile
5>数据倾斜
(1)进行范围分区
(2)自定义分区
(3)Combine
(4)能用mapjoin坚决不用reduce join
6>参数调优 设置核心数
map核心数设置:
<property>
<name>mapreduce.map.cpu.vcores</name>
<value>1</value>
</property>
reduce核心数设置:
<property>
<name>mapreduce.reduce.cpu.vcores</name>
<value>1</value>
</property>
设置内存
maptask内存设置:
<property>
<name>mapreduce.map.memory.mb</name>
<value>1024</value>
</property>
reducetask内存设置:
<property>
<name>mapreduce.reduce.memory.mb</name>
<value>1024</value>
</property>
reduce去map端拿数据并行度
<property>
<name>mapreduce.reduce.shuffle.parallelcopies</name>
<value>5</value>
</property>
JVM重用
避免重复开启jvm,完成一个task接着运行下一个,解压了很多时间
参数:
<property>
<name>mapreduce.job.jvm.numtasks</name>
<value>20</value>
</property>