MapReduce8 优化
更多整理都在我的github上:Auraros欢迎大家。
MapReduce跑得慢的原因
MapReduce程序效率的瓶颈在于两点:计算机性能和 I/O操作
计算机性能
CPU、内存、磁盘健康、网络
I/O操作
- 数据倾斜
- Map和Reduce设置不合理
- Map运行时间太长,导致Reduce等待过久
- 小文件过多
- 大量的不可分块的超大文件
- spill次数过多
- Merge次数过多等
MapReduce优化方案
数据输入优化
大量小文件在数据输入的时候进行处理
1. 合并小文件,在执行MR任务之前先将小文件合并,大量的小文件会产生大量的Map任务,增加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. 修改InputFormat的combineTextInputFormat作为输入,解决输入端大量小文件场景
Map阶段优化
减少溢写(spill)次数
通过调整io.sort.mb 以及sortsill percent参数值,增大触发split的内存上限,减少split的次数,从而减少磁盘I/O
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
性能优化
在Map之后,不影响业务逻辑的情况下,先进性conbine处理,减少io
Reduce阶段
Map和Reduce不合理
合理设置map和reduce数量
两个都不能设置太少,不能设置太多
太少会道中Task等待,延长时间
太多会导致Map、Reduce任务间竞争资源,造成处理超时错误
Map运行时间太长,导致Reduce等待过久
调整slowstart.completedmaps参数,使map运行到一定程度后,Reduce开始工作,减少Reduce的等待时间
规避使用Reduce
因为Reduce在用于连接数据集的时候会产生大量的网络消耗
合理设置Reduce端的bufffer
合理设置 Redluce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:mapred.job.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。这樺一来,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。
I/O传输
1. 采用数据压缩的方式,减少IO的时间,安装Snappy和LZO压缩编辑器
2. 使用Sequencefile输出
数据倾斜问题
数据倾斜现象
- 数据频率倾斜——某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
解决数据倾斜的办法
-
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来预设分区边界值的方法
-
自定义分区
基于输出键的背景知识进行分区,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比较多,那么久可以自定义分区将这些专业词汇发送给一部分实例,而其他的都发送给剩余的Reduce实例。
-
Combine
使用Combiner减少数据倾斜,在可能的情况下目的就是聚合并精简数据的方法
-
采用Map Join
尽量避免Reduce Join
常用的调优参数
资源相关的参数
以下参数是在用户自己的MR应用程序中配置就可以生效。mapred-default.xml
配置参数 | 参数说明 |
---|---|
mapreduce.map.memory.mb | 一个MapTask可使用的资源上限(单位:MB),默认为1024。如果MapTask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ReduceTask可使用的资源上限(单位:MB),默认为1024。如果ReduceTask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MapTask可使用的最多cpu core数目,默认值: 1 |
mapreduce.reduce.cpu.vcores | 每个ReduceTask可使用的最多cpu core数目,默认值: 1 |
mapreduce.reduce.shuffle.parallelcopies | 每个Reduce去Map中取数据的并行数。默认值是5 |
mapreduce.reduce.shuffle.merge.percent | Buffer中的数据达到多少比例开始写入磁盘。默认值0.66 |
mapreduce.reduce.shuffle.input.buffer.percent | Buffer大小占Reduce可用内存的比例。默认值0.7 |
mapreduce.reduce.input.buffer.percent | 指定多少比例的内存用来存放Buffer中的数据,默认值是0.0 |
应该YARN启动之前就在服务器配置文件中才能生效 yarn-default.xml
配置参数 | 参数说明 |
---|---|
yarn.scheduler.minimum-allocation-mb | 给应用程序Container分配的最小内存,默认值:1024 |
yarn.scheduler.maximum-allocation-mb | 给应用程序Container分配的最大内存,默认值:8192 |
yarn.scheduler.minimum-allocation-vcores | 每个Container申请的最小CPU核数,默认值:1 |
yarn.scheduler.maximum-allocation-vcores | 每个Container申请的最大CPU核数,默认值:32 |
yarn.nodemanager.resource.memory-mb | 给Containers分配的最大物理内存,默认值:8192 |
Shffle性能优化的关键参数,应在YARN启动之前就配置好 mapred-defalut.xml
配置参数 | 参数说明 |
---|---|
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% |
容错相关参数(MapReduce性能优化)
参数配置 | 参数说明 |
---|---|
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.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 远会卡住,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600000。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 |
HDFS小文件优化方法
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,就会产生很多的索引文件,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
小文件解决方案
小文件的优化无非以下几种方式:
- 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。
Hadoop Archive
是一个高效地将小文件放入HDFS块中的文件存档工具,它能够将多个小文件打包成一个HAR文件,这样就减少了 Namenode的内存使用。
Sequence File
一系列的二进制 key/value组成,如果key为文件名, value为文件内容,则可以将大批小文件合并成一个大文件
CombineFileInputFormat
CombineFileInputFormat是一种新的 InputFormat,用于将多个文件合并成个单独的 Split,另外,它会考虑数据的存储位置。