前言
我们时常谈论说到MapReduce时,我们都会说它是离线计算框架,磁盘IO开销大,job运行比较慢等等。
这一篇博客,南国系统回顾下mr程序运行慢的原因,以及如何优化mr程序。
MapReduce运行慢的原因
我们都知道MapReduce是离线计算框架,不同于Spark内存计算框架模型。一个标准的mr程序由map方法和reduce方法构成,数据源在map方法前输入,map方法的输出结果放在磁盘中 由shuffle阶段进行处理后输入到reduce方法,最后reduce方法的输出作为mr程序的整个结果输出保存到HDFS中。
在这个过程中,MapReduce程序的性能瓶颈在于两点:
- 机器性能
它包括cpu、内存、磁盘以及网络 - IO操作
在频繁的IO操作中,他可能会存在以下一些问题:
数据倾斜;
map和reduce个数设置不合理:
reduce等待过久;
小文件过多;
有大量的不可分块的超大文件;
spill次数过多;
merge次数过多等。
MapReduce优化方法
1. 数据输入
- 合并小文件:在执行mr任务前将小文件进行合并,因为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。
- 采用CombineFileInputFormat来作为输入,解决输入端大量小文件场景。