MapReduce优化

• MapReduce 低速原因
• 1.数据输入
  • （1）合并小文件
  • （2）CombineTextInputFormat
• 2.Map阶段
  • （1）减少溢写(Spill)次数
  • （2）减少合并(Merge)次数
  • （3）Combine预处理
• 3.Reduce阶段
  • （1）合理设置Map和Reduce数
  • （2）设置Map、Reduce共存
  • （3）规避使用Reduce
  • （4）合理设置Reduce端的Buffer
• 4.I/O传输
• 5.数据倾斜问题
  • 1．数据倾斜现象
  • 2．减少数据倾斜的方法

MapReduce 低速原因

MapReduce 程序效率的瓶颈在于两点：

1. 计算机性能：

   CPU、内存、磁盘健康、网络

2. I/O操作优化：

   (1) 数据倾斜
   (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
   (5) 大量的不可分块的超大文件
   (6) spill次数过多
   (7) Merge次数过多等

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.数据输入

（1）合并小文件

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

（2）CombineTextInputFormat

采用CombineTextInputFormat来作为输入,解决输入端大量小文件场景。

 

2.Map阶段

（1）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I/O。

（2）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。

（3）Combine预处理

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

（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）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

（1）采用数据压缩的方式，减少网络IO的的时间。安装Snappy和LZO压缩编码器。

（2）使用SequenceFile二进制文件。

 

5.数据倾斜问题

1．数据倾斜现象

数据频率倾斜——某一个区域的数据量要远远大于其他区域。

数据大小倾斜——部分记录的大小远远大于平均值。

2．减少数据倾斜的方法

方法1：抽样和范围分区

可以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。

方法2：自定义分区

基于输出键的背景知识进行自定义分区。例如，如果Map输出键的单词来源于一本书。且其中某几个专业词汇较多。那么就可以自定义分区将这这些专业词汇发送给固定的一部分Reduce实例。而将其他的都发送给剩余的Reduce实例。

方法3：Combine

使用Combine可以大量地减小数据倾斜。在可能的情况下，Combine的目的就是聚合并精简数据。

方法4：采用Map Join，尽量避免Reduce Join。