Hadoop优化
map端数据倾斜,输入文件有不可分割的压缩包 reduce端数据倾斜:分区后某个区的数据过多
输入
- 在执行MR之前。提前将小文件合并,压缩成可切片的格式
- 使用CombineTextInputFormat
map阶段
- 减少溢写次数:通过调整缓冲区的大小及sort.spill.percent(溢写阈值)参数值,增大触发spill的内存上限、
- 减少合并次数:调整io.sort.factor,一次merge合并的文件数。增大merge的文件数,减少Merge的次数
- 在不影响业务逻辑的前提下,先进行combine处理,减少IO
Reduce阶段
- 设置map与Reduce共存。减少Reduce的等待时间
IO问题
- 采用数据压缩的方式,减少网络IO的时间。安装snappy编码器
- 使用sequenceFile二进制文件
数据倾斜问题
- map端的数据倾斜,控制切片,提前处理好。
- Reduce端的数据倾斜,通过抽样调查,查看样本分布,将可能有大量数据的分区可以再进一步分区
- 如果小文件过多,可以开启JVM重用.
常用调优参数
配置部分调优参数,例如mapreduce.reduce.memory.mb,mapreduce.map.memory.mb,yarn-site中的参数。