大数据之Hadoop(MapReduce)：Hadoop企业优化

1.MapReduce 跑的慢的原因

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
2.I/O操作优化
（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
（5）、大量的不可分块的超大文件
（6）、Spill次数过多
（7）、Merge次数过多等；

2.MapReduce优化方法

MapReduce优化方法主要从五个方面考虑：数据输入、Map阶段、Reduce阶段、IO传输和常用的调优参数。

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io.sort.mb及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，不影响业务逻辑的前提下，先进行Combine处理，减少I/O。

2.3：Reduce阶段

（1）、合理设置Map和Reduce数：两者都不能设置太少，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；
（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:因为Reduce在用于连续数据集的时候将会产生大量的网络消耗；
（4）、合理设置Reduce端的Buffer:默认情况下，数据达到一个阈值的时候，Buffer中的数据就会写入到磁盘，然后Reduce会从磁盘中获得所有的数据。也就是说，Buffer和Reduce是没有直接关联的，中间多次写磁盘–>读磁盘的过程，既然有这个弊端，那么就可以通过参数来设置，使得Buffer中的一部分数据可以直接输送到Reduce,从而减少IO开销；

2.4：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；

2.5：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）

配置参数	参数说明
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.percent	Buffer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.percent	Buffer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）

配置参数	参数说明
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）

配置参数	参数说明
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)

配置参数	参数说明
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Reduce Task运行失败，默认值：4。
mapreduce.task.timeout	Task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，默认是600000