目录
Hadoop优化有哪些方面
HDFS 小文件影响
- 影响 NameNode 的寿命,因为文件元数据存储在 NameNode 的内存中
- 影响计算引擎的任务数量,比如每个小的文件都会生成一个 Map 任务
合并小文件:可以将多个小文件合并成一个大文件。这可以通过使用 Hadoop 提供的工具,如
CombineFileInputFormat
或自定义 MapReduce 作业来实现。这样可以减少 NameNode 需要管理的元数据数量,同时也能减少 Map 任务的数量。使用 HAR(Hadoop Archive):HAR 文件是一种将小文件打包成单个归档文件的 Hadoop 解决方案。它允许对一组文件进行透明访问,而无需解压整个归档文件。HAR 文件在 HDFS 上被当作单个文件处理,减少了 NameNode 的负担。
使用 Sequence Files:Sequence Files 是 Hadoop 的一种二进制文件格式,它将小文件存储为一系列键值对。它们可以有效地压缩和存储大量小文件,同时支持快速的数据访问。
调整 MapReduce 配置:可以调整 MapReduce 作业的配置,如
mapreduce.input.fileinputformat.split.maxsize
和mapreduce.input.fileinputformat.split.minsize
,来控制每个 Map 任务处理的文件大小。这有助于优化任务的数量,避免因小文件过多而导致的大量 Map 任务。使用子目录:在 HDFS 中使用子目录来组织小文件。虽然这不直接减少 NameNode 的负担,但它可以帮助管理文件结构,使得处理更加有序。
数据输入小文件处理:
- 合并小文件:对小文件进行归档(Har)、自定义 Inputformat 将小文件存储成SequenceFile 文件。
- 采用 ConbinFileInputFormat 来作为输入,解决输入端大量小文件场景。
- 对于大量小文件 Job,可以开启 JVM 重用。
合并小文件:可以使用 Hadoop 提供的工具,如
CombineFileInputFormat
或自定义 MapReduce 作业来实现。具体步骤如下:
- 创建一个自定义的 InputFormat 类,继承自
CombineFileInputFormat
。- 在自定义的 InputFormat 类中,实现
createReader()
方法,用于读取小文件并返回一个 RecordReader 对象。- 在自定义的 RecordReader 类中,实现
nextKeyValue()
方法,用于读取每个小文件的内容,并将其合并为一个键值对。- 在 MapReduce 作业的配置中,将自定义的 InputFormat 类设置为输入格式。
归档(Har):使用 Hadoop Archive (HAR) 工具将小文件打包成一个归档文件。具体步骤如下:
- 使用 Hadoop Archive 命令行工具将小文件打包成一个 HAR 文件。例如,运行
hadoop archive -archiveName myfiles.har -p /path/to/small/files /output/directory
。- 在 HDFS 上创建一个新的目录来存储归档文件。
- 在 MapReduce 作业的配置中,将归档文件的路径作为输入路径。
自定义 InputFormat:创建一个自定义的 InputFormat 类,用于将小文件存储为 SequenceFile 文件。具体步骤如下:
- 创建一个自定义的 InputFormat 类,继承自
org.apache.hadoop.mapreduce.lib.input.FileInputFormat
。- 在自定义的 InputFormat 类中,实现
createRecordReader()
方法,用于读取小文件并返回一个 RecordReader 对象。- 在自定义的 RecordReader 类中,实现
nextKeyValue()
方法,用于读取每个小文件的内容,并将其转换为键值对。- 在 MapReduce 作业的配置中,将自定义的 InputFormat 类设置为输入格式。
开启 JVM 重用:对于大量小文件的 Job,可以通过设置 MapReduce 作业的配置来开启 JVM 重用。具体步骤如下:
- 在 MapReduce 作业的配置中,设置
mapreduce.job.jvm.numtasks
属性为一个较大的值,以允许多个任务共享同一个 JVM。- 在 MapReduce 作业的配置中,设置
mapreduce.job.jvm.reuse
属性为true
,以启用 JVM 重用功能。
Map 阶段
- 增大环形缓冲区大小。由 100m 扩大到 200m
- 增大环形缓冲区溢写的比例。由 80%扩大到 90%
- 减少对溢写文件的 merge 次数。(10 个文件,一次 20 个 merge)
- 不影响实际业务的前提下,采用 Combiner 提前合并,减少 I/O。
<property>
<name>mapreduce.map.sort.spill.percent</name>
<value>0.9</value>
</property>
<property>
<name>mapreduce.map.sort.spill.percent</name>
<value>0.9</value>
</property>
<property>
<name>mapreduce.task.io.sort.factor</name>
<value>20</value>
</property>
Reduce 阶段
- 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。
- 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。
- 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。
- 增加每个 Reduce 去 Map 中拿数据的并行数
- 集群性能可以的前提下,增大 Reduce 端存储数据内存的大小。
IO 传输
- 采用数据压缩的方式,减少网络 IO 的的时间。安装 Snappy 和 LZOP 压缩编码器。
- 使用 SequenceFile 二进制文件
整体
- MapTask 默认内存大小为 1G,可以增加 MapTask 内存大小为 4-5g
- ReduceTask 默认内存大小为 1G,可以增加 ReduceTask 内存大小为 4-5g
- 可以增加 MapTask 的 cpu 核数,增加 ReduceTask 的 CPU 核数
- 增加每个 Container 的 CPU 核数和内存大小
- 调整每个 Map Task 和 Reduce Task 最大重试次数