1.数据输入
1.1.合并小文件
在执行MapReduce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MapReduce运行较慢。
2.Map阶段
2.1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
2.2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。
2.3Combine处理
在Map之后,不影响业务逻辑前提下,先进行Combine处理,减少I/O。
3.Reduce阶段
3.1.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,延迟处理时间;
太多,会导致Map、Reduce任务竞争资源,造成处理超时错误。
3.2.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。
3.3.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。
4.Reduce阶段
4.1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,可以通过参数来配置,
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:
mapreduce.reduce.input.buffer.percent,默认为0.0。当值大于0的时候,
会保留指定比例的内存读 Buffer 中的数据直接拿给 Reduce 使用。
这样一来,设置 Buffer 需要内存,读取数据需要内存,Reduce 计算也要内存,
所以要根据作业的运行情况进行调整。
5.IO传输
5.1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
5.2使用SequenceFile二进制文件
6.数据倾斜问题
6.1.数据倾斜现象
数据频率倾斜——某一个区域的数据量要远远大于其他区域。
数据大小倾斜——部分记录的大小远远大于平均值。
6.2.减少数据倾斜的方法
6.2.1方法一: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。
6.2.2方法二:自定义分区
基于输出键的背景知识进行自定义分区。
6.2.3方法三:Combine
使用 Combine 可以大量的减少数据倾斜。在可能的情况下,Combine的目的就是聚合并精简数据。
6.2.4方法四:采用Map Join,尽量避免Reduce Join。
7.HDFS 小文件优化方法
7.1HDFS小文件弊端
HDFS上每个文件都要在NameNode上建立一个索引,这个索引的大小约为150 byte,
这样当小文件比较多的时候,就会产生很多的索引文件,一方面会大量占用 NameNode 的内存空间,
另一方面就是索引文件过大使得索引速度变慢。
7.2HDFS小文件解决方案
小文件的优化有以下几种方式:
(1)在数据采集的时候,就将小文件或小批数据合成大文件再上传HDFS。
(2)在业务处理之前,在HDFS上使用 MapReduce 程序对小文件进行合并。
(3)在 MapReduce 处理时,可采用 CombineTextInputFormat 提高效率。
7.2.1.Hadoop Archive
是一个高效的将小文件放入 HDFS 块中的文件存档工具,它能够将多个小文件打包成一个 HAR 文件,
这样就减少了 NameNode 的内存使用。
7.2.2.Sequence File
Sequence File 由一系列的二进制 key/value 组成,如果 key 为文件名,value 为文件内容,
则可以将大批小文件合并成一个大文件。
7.2.3.CombineFileInputFormat
CombineFileInputFormat是一种新的InputFormat,用于将多个文件合并成一个单独的Split,
另外,它会考虑数据的存储位置。
7.2.4.开启JVM重用
对于大量小文件Job,可以开启JVM重用会减少45%运行时间。
JVM重用原理:一个Map运行在一个JVM上,开启重用的话,该Map在JVM上运行完毕后,JVM继续运行其他Map。
具体设置:mapreduce.job.jvm.numtasks 值在10-20之间。
8.常用的调优参数
8.1.资源相关参数
8.1.1.在用户自己的MapReduce 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。 mapred.child.java.opts 配置每个map或者reduce使用的内存的大小,默认是200M 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Reduce task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: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.perce 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:0.0
8.1.2.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 yarm.scheduler.minimum-allocation-vcores 每个 Container 申请的最小 CPU 核数,默认值:1 yarn.scheduler.maximum-allocatioin-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
8.1.3.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%
8.2.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,一旦重试次数超过该值,则认为 Map Task 运行失败,默认值:4 mapreduce.job.maxtaskfailures.per.tracker 当失败的Map Task失败比例超过该值为,整个作业则失败,默认值为0. 如果你的应用程序允许丢弃部分输入数据,则该该值设为一个大于0的值,比如5,表示如果有低于5%的Map Task失败(如果一个Map Task重试次数超过mapreduce.map.maxattempts,则认为这个Map Task失败,其对应的输入数据将不会产生任何结果),整个作业仍认为成功。 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,可能是卡住了,也许永远会卡住,为了防止因为用户程序永远 Block 住不退出,则强制设置了一个该超时时间(单位毫秒),默认是600000 。如果你的程序对每条输入数据的处理时间过长(比如会访问数据库,通过网络拉取数据等),建议将参数调大,该参数过小常出现的错误提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。
8.3.效率和稳定性相关参数
配置参数 参数说明 mapreduce.map.speculative 是否为Map Task打开推测执行机制,默认为true,如果为true,如果Map执行时间比较长,那么集群就会推测这个Map已经卡住了,会重新启动同样的Map进行并行的执行,哪个先执行完了,就采取哪个的结果来作为最终结果,一般直接关闭推测执行 mapreduce.reduce.speculative 是否为Reduce Task打开推测执行机制,默认为true,如果reduce执行时间比较长,那么集群就会推测这个reduce已经卡住了,会重新启动同样的reduce进行并行的执行,哪个先执行完了,就采取哪个的结果来作为最终结果,一般直接关闭推测执行