MapReduce 低速原因
MapReduce 程序效率的瓶颈在于两点:
-
计算机性能:
CPU、内存、磁盘健康、网络
-
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。