一、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、网络

2、IO操作优化

• 数据倾斜
• Map和Reduce数设置不合理
• Map运行时间太长导致Reduce等待过久
• 小文件过多
• 大量的不可分块的超大文件
• Spill次数过多
• Merge次数过多等

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。

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CombineTextOutputFormat来作为输入解决输入端大量小文件场景。

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之后不影响业务的前提下先进行Combine处理减少IO。

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。

2设置Map、Reduce共存调整slowstart.completedmaps参数是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。

4、IO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。

5、数据倾斜问题

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。

2减少数据倾斜的方法

方法1抽样和范围分区

可以通过对原始数据进行抽样得到结果集来预设分区边界值。

方法2自定义分区

给予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。

方法3Combine

使用Combine可以大量地减少数据倾斜。在可能的情况下Combine的目的就是聚合并精简数据。

方法4采用Map join尽量避免Reduce join

6、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

3Shuffle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.”。

三、HDFS小文件优化方法

1、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。

2、HDFS小文件解决方案

小文件的优化无非以下几种方式

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。

1、Hadoop Archive

是一个高效地将小文件放入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。

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。

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。

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%的运行时间。

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。