MapReduce优化面试题

小手且冰凉

于 2022-10-21 21:09:02 发布

阅读量144

点赞数

分类专栏：笔记 hadoop 文章标签： mapreduce 大数据 hadoop

本文链接：https://blog.csdn.net/qq_47468106/article/details/127454011

版权

笔记同时被 2 个专栏收录

14 篇文章 0 订阅

订阅专栏

hadoop

1 篇文章 0 订阅

订阅专栏

1、 MapReduce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、数据倾斜问题和常用的调优参数。

一、数据输入

1、合并小文件：因为大量小文件会产生大量的Map任务，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

框架默认的TextInputFormat切片机制是对任务按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个MapTask，这样如果有大量小文件，就会产生大量的MapTask，处理效率极其低下。

CombineTextInputFormat用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个MapTask处理

二、Map阶段

1、减少溢写（Spill）次数，通过调整参数

io.sort.mb：环形缓存区大小

sort.spill.percent：达到多少表示满，百分比（80%）

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，调节参数

io.sort.factor：增大每次合并文件的个数，这样减少merge次数

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

三、Reduce阶段

1、合理设置Map和Reduce数

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

在不需要使用Reduce时，就不要使用，这样减少shuffle

4、合理设置Reduce端的Buffer

默认情况下，数据达到一个阈值时，Buffer中的数据就会写入磁盘，然后Reduce会从磁盘中获得所有得数据，也就是说Buffer和Reduce是没有直接得关联得，可以通过设置参数，使Buffer中得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，

大于0时，会保留指定比例得内存读Buffer中得数据直接拿给Reduce使用

四、I/O传输

1、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

2、使用SequenceFile二进制文件

五、数据倾斜

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MapJoin，尽量避免ReduceJoin。

六、常用的调优参数

1．资源相关参数

（1）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）

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.percentBuffer：**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.percentBuffer：**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

（2）应该在YARN启动之前就配置在服务器的配置文件中才能生效（yarn-default.xml）

**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

（3）Shuffle性能优化的关键参数，应在YARN启动之前就配置好（mapred-default.xml）

**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%

2．容错相关参数(MapReduce性能优化)

**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.timeoutTask：**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_0Timed out after 300 secsContainer killed by the ApplicationMaster.”。