MR的优化
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
- 常用的调优参数。
数据输入
- 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.
- 采用CombineTextInputFormat来作为输入,解决输入端大量小文件场景. job.setCombineTextInputFormat(job,文件大小)
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.
Reduce阶段
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I/O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。(Oozie,Azkaban)
IO传输
- 采用数据压缩的方式,减少网络IO的时间. 安装Snappy和LZO压缩编码器.
- 使用SequenceFile二进制文件.
数据倾斜问题
- 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.
- 减少数据倾斜的方法
方法1: 抽样和范围区域
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输出键的关键词来源于一本书. 且其中某几个 专业词汇较多,那么就可以自定义分区将这些专业词汇发送给固定一部分的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.
- 优化HDFS小文件的问题
HDFS小文件弊端 HDFS上每个文件都要在NameNode上建立一个索引,这个索引的大小约为150byte,这样当小文件比较 多的时候,就会产生很多索引文件,一方面会大量占用NameNode的内存空间,另一方面就是索引文件过大 使得索引速度变慢.
小文件的优化无非有以下几种方式:
- 在数据采集的时候,就将小文件或小批数据合成大文件再上传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.
常用的调优参数
资源相关
属性 | 描述 |
---|---|
mapreduce.map.memory.mb | 一个Map Task可使用的资源上限(单位:MB),默认为1024。如果 Map Task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Reduce Task可使用的资源上限(单位:MB),默认为 1024。如果Reduce Task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Map task可使用的最多cpu core数目, 默认值: 1 |
mapreduce.reduce.cpu.vcores | 每个Reduce task可使用的最多cpu core数目, 默认值: 1 |
mapreduce.map.java.opts | Map Task的JVM参数,你可以在此配置默认的java heap size等参数 |
mapreduce.reduce.java.opts | Reduce Task的JVM参数,你可以在此配置默认的java heap size等参 数 |
yarn.scheduler.minimum-allocation-mb | 给应用程序container分配的最小内存,默认1024 |
yarn.scheduler.maximum-allocation-mb | 给应用程序container分配的最大内存,默认8192 |
yarn.scheduler.minimum-allocation-vcore | 默认1 |
yarn.scheduler.maximum-allocation-vcores | 默认32 |
yarn.nodemanager.resource.memory-mb | 每台NodeManager最大可用内存,默认8192 |
yarn.nodemanager.resource.cpu-vcores | 每台NodeManager最大可用cpu核数,默认8 |
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% |
容错相关
属性 | 描述 |
---|---|
mapreduce.map.maxattempts | 每个Map Task最大重试次数,一旦重试参数超过该值,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,一旦重试参数超过该值,则认 为Map Task运行失败,默认值:4 |
mapreduce.map.failures.maxpercent | 当失败的Map Task失败比例超过该值为,整个作业则失 败,默认值为0. 如果你的应用程序允许丢弃部分输入数据,则该该值设为一个大于0的值,比如5,表示 如果有低于5%的Map Task失败(如果一个Map Task重试次数超过mapreduce.map.maxattempts,则 认为这个Map Task失败,其对应的输入数据将不会产生任何结果),整个作业扔认为成功 |
mapreduce.reduce.failures.maxpercent | 当失败的Reduce Task失败比例超过该值为,整个作业则 失败,默认值为0 |
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,也许永远会卡主,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300000。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.” |