MapReduce 跑的慢的原因
MapReduce效率的瓶颈主要有两点:
- 计算机性能:
CPU、内存、磁盘健康、网络 - I/O操作优化:
- 数据倾斜
- Map和Reduce个数设置不合理
- Map运行时间太长,导致Reduce等待时间过长
- 小文件过多
- 大量的不可分块的超大文件
- Spill溢写次数过多
- Merge次数过多
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:
- 数据输入:
- 合并小文件:在执行MR任务之前将小文件合并,因为过多的小文件会产生大量的Map任务,增大Map任务的装载次数,因为任务的装载耗时较长,所以会导致MR运行变慢。
- 采用CombineTextInputFormat作为输入,解决输入端大量小文件的场景。
- Map阶段:
- 减少溢写次数(spill):通过调整io.sort.mb参数及sort.spill.percent参数值,增大触发Spill的内存上限、减少spill次数,从而缩短MR运行时间。
- 减少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运行时间 - Map之后,在不影响业务逻辑的情况下,先进性Combine处理,减少I/O开销
- Reduce阶段:
- 合理设置Map和Reduce个数:两个都不能设置的太少也不能太多,太少会导致Task等待,延长处理时间;太多,会导致Map、Reduce之间竞争资源,造成处理超时等错误。
- 设置Map、Reduce共存:调整slowstart.completedmaps参数,使Map运行一定时间后,Reduce也开始运行,减少Reduce等待时间。
- 合理设置Reduce端的Buffer:默认情况下,数据达到一个阈值时,Buffer中的数据会写入磁盘,而Reduce会从磁盘中获取所有数据,也就是说,Buffer和Reduce是没有直接关联的,之间有多次写磁盘 -> 读磁盘的过程,既然有整个弊端,那么就可以通过配置一些参数,使得Buffer中的一部分数据可以直接写入Reduce中,减少IO开销 :mapreduce.reduce.input.buffer.percent,默认值为0.0。当值大于0时,会保留指定比例的内存读取Buffer中的数据直接拿给Reduce用,但是,这样一来,设置Buffer需要内存,读取数据需要内存,Reduce计算也需要内存,所以要根据作业的运行情况来调整
- IO传输:
- 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。
- 使用SequenceFile二进制文件。
- 数据倾斜:
- 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的数据量
- 数据大小倾斜:部分记录的大小远远大于平均值
- 减少倾斜的方法:
- 抽样和范围分区:
可以通过对原数据进行抽样得到的结果集来预设分区边界值 - 自定义分区
- Combine:使用Combine可以大量的减少数据倾斜
- 采用Map Join,尽量避免Reduce Join
- 抽样和范围分区:
- 数据倾斜现象:
- 常用调优参数:
- 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)
- 资源相关参数:
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% |
- 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Map 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,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),建议将该参数调大,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.” |
HDFS小文件优化方法
-
HDFS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150byte,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。 -
HDFS小文件解决方案
(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