Hadoop企业级优化总结

觉得有帮助的，请多多支持博主，点赞关注哦~

Hadoop企业级优化

一、MapReduce 跑的慢的原因

Mapreduce 程序效率的瓶颈在于两点：

1. 计算机性能
   1. CPU
   2. 内存
   3. 磁盘健康
   4. 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。

二、MapReduce 优化方法

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. 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 IO。
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. 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，中间多个一个写磁盘->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：mapred.job.reduce.input.buffer.percent，默认为 0.0。当值大于