一、MapReduce跑得慢的原因
MapReduce程序效率的瓶颈在于两点:
1.计算机性能
CPU、内存、磁盘健康、网络。 就如百度能通过增加服务器解决问题,绝对不麻烦程序猿,真好用的就是提升服务器性能,有钱可以用量子计算机、银河超算。
2.I/O操作优化
避免大量磁盘I/O以及网络I/O
1)数据倾斜
2)Map和Reduce数设置不合理
3)Map运行时间太长,导致Reduce等待过久
4)小文件过多。 Hadoop怕小不怕大,如不进行处理,每个小文件都会启动一个MapTask,申请资源的时间远大于处理处理的时间。
5)大量的不可切片的超大压缩文件。 比如1T的Snappy压缩文件,让一个MapTask处理。如果Snappy支持切片,估计就没有其他压缩格式的事了。
6)Spill次数过多。MapTask阶段,环形缓冲区多次落盘,势必会增加时间,可以增加环形缓冲区内存和溢写率,减少落盘次数。
7)Merge次数过多。默认溢写文件大于10个进行一次归并排序,可以上调默认值减少合并次数。
二、MapReduce优化方法
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。
2.1 数据输入
(1)合并小文件:在执行MR任务前将小文件进行合并,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。
(2)采用CombineTextInputFormat来作为输入,解决输入端大量小文件场景。
2.2 Map阶段
(1)减少溢写(Spill)次数:通过调整mapreduce.task.io.sort.mb及mapreduce.map.sort.spill.percent参数值,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:通过调整mapreduce.task.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。
(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,减少Reduce阶段的压力。【Combine适合汇总操作,不合适求平均数等操作,job.setCombinerClass(WordCountReducer.class)】
2.3 Reduce阶段
(1)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。【可以通过数据抽样的方式,回归分析模拟出合适的ReduceTask次数】
(2)设置Map、Reduce共存: 调整mapreduce.job.reduce.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: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。 【而且Shuffle机制会有大量I/O操作】
2.4 I/O传输
(1)采用数据压缩的方式,减少网络IO的的时间。安装Snappy和LZO压缩编码器。【Hadoop 3.x 配合CentOS 7 默认支持Snappy压缩,大福利,要是再支持切片就好了】
(2)使用SequenceFile二进制文件。 【很少有这样玩的了】
2.5 数据倾斜
(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。
(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。
(3)Combiner:使用Combiner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。 【比如10000个<a,1>汇总,在MapTask阶段使用Combiner后,溢写到文件时就是<a,10000>,数量级瞬间降低4个】。
(4)采用Map Join,尽量避免Reduce Join。【Shuffle尽管强大,但太费时间了】