MapReduce任务的优化
相信每个程序员在编程时都会问自己两个问题“我如何完成这个任务”,以及“怎么能让程
序运行得更快”。同样,MapReduce计算模型的多次优化也是为了更好地解答这两个问
题。
MapReduce计算模型的优化涉及了方方面面的内容,但是主要集中在两个方面:一是计
算性能方面的优化;二是I/O操作方面的优化。这其中,又包含六个方面的内容。
1. 任务调度
任务调度是Hadoop中非常重要的一环,这个优化又涉及两个方面的内容。计算方面:
Hadoop总会优先将任务分配给空闲的机器,使所有的任务能公平地分享系统资源。I/O
方面:Hadoop会尽量将Map任务分配给InputSplit所在的机器,以减少网络I/O的消耗。
2. 数据预处理与InputSplit的大小
MapReduce任务擅长处理少量的大数据,而在处理大量的小数据时,MapReduce的性能
就会逊色很多。因此在提交MapReduce任务前可以先对数据进行一次预处理,将数据合
并以提高MapReduce任务的执行效率,这个办法往往很有效。如果这还不行,可以参考
Map任务的运行时间,当一个Map任务只需要运行几秒就可以结束时,就需要考虑是否
应该给它分配更多的数据。通常而言,一个Map任务的运行时间在一分钟左右比较合
适,可以通过设置Map的输入数据大小来调节Map的运行时间。在FileInputFormat中
(除了CombineFileInputFormat),Hadoop会在处理每个Block后将其作为一个
InputSplit,因此合理地设置block块大小是很重要的调节方式。除此之外,也可以通过
合理地设置Map任务的数量来调节Map任务的数据输入。
3. Map和Reduce任务的数量
合理地设置Map任务与Reduce任务的数量对提高MapReduce任务的效率是非常重要的。
默认的设置往往不能很好地体现出MapReduce任务的需求,不过,设置它们的数量也要
有一定的实践经验。
首先要定义两个概念—Map/Reduce任务槽。Map/Reduce任务槽就是这个集群能够同时
运行的Map/Reduce任务的最大数量。比如,在一个具有1200台机器的集群中,设置每
台机器最多可以同时运行10个Map任务,5个Reduce任务。那么这个集群的Map任务槽
就是12000,Reduce任务槽是6000。任务槽可以帮助对任务调度进行设置。
设置MapReduce任务的Map数量主要参考的是Map的运行时间,设置Reduce任务的数量
就只需要参考任务槽的设置即可。一般来说,Reduce任务的数量应该是Reduce任务槽的
0.95倍或是1.75倍,这是基于不同的考虑来决定的。当Reduce任务的数量是任务槽的
0.95倍时,如果一个Reduce任务失败,Hadoop可以很快地找到一台空闲的机器重新执
行这个任务。当Reduce任务的数量是任务槽的1.75倍时,执行速度快的机器可以获得更
多的Reduce任务,因此可以使负载更加均衡,以提高任务的处理速度。
4. Combine函数
Combine函数是用于本地合并数据的函数。在有些情况下,Map函数产生的中间数据会
有很多是重复的,比如在一个简单的WordCount程序中,因为词频是接近与一个zipf分布
的,每个Map任务可能会产生成千上万个记录,若将这些记录一一传送给Reduce任务是
很耗时的。所以,MapReduce框架运行用户写的combine函数用于本地合并,这会大大
减少网络I/O操作的消耗。此时就可以利用combine函数先计算出在这个Block中单词the
的个数。合理地设计combine函数会有效地减少网络传输的数据量,提高MapReduce的
效率。
在MapReduce程序中使用combine很简单,只需在程序中添加如下内容:
job.setCombinerClass(combine.class);
在WordCount程序中,可以指定Reduce类为combine函数,具体如下:
job.setCombinerClass(Reduce.class);
5. 压缩
编写MapReduce程序时,可以选择对Map的输出和最终的输出结果进行压缩(同时可以
选择压缩方式)。在一些情况下,Map的中间输出可能会很大,对其进行压缩可以有效
地减少网络上的数据传输量。对最终结果的压缩虽然会减少数据写HDFS的时间,但是也
会对读取产生一定的影响,因此要根据实际情况来选择(第7章中提供了一个小实验来
验证压缩的效果)。
6. 自定义comparator
在Hadoop中,可以自定义数据类型以实现更复杂的目的,比如,当读者想实现k-means
算法(一个基础的聚类算法)时可以定义k个整数的集合。自定义Hadoop数据类型时,
推荐自定义comparator来实现数据的二进制比较,这样可以省去数据序列化和反序列化
的时间,提高程序的运行效率