文章目录
1. MapReduce 跑的慢的原因
MapReduce 程序效率的瓶颈在于两点:
-
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 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
- Spill 次数过多
- Merge 次数过多等。
2. 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。
2.1 数据输入优化
- 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。
- 采用
CombineTextInputFormat
来作为输入,解决输入端大量小文件场景。
2.2 Map 阶段优化
- 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。 - 减少合并(Merge)次数:通过调整
io.sort.factor
参数,增大 Merge 的文件数量,减少 Merge 的次数,从而缩短 MR 处理时间。 - 在 Map 之后,不影响业务逻辑前提下,先进行 Combine 处理,减少 I/O。
2.3 Reudce 阶段优化
- 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。
- 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。 - 规避使用 Reduce:因为 Reduce 在用于连接数据集的时候会产生大量的网络消耗。
- 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,中间多次写磁盘 -> 读磁盘的过程。既然有这个弊端,name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。
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 计算也需要内存,所以要根据作业运行情况进行调整。
2.4 I/O 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。
2.5 数据倾斜问题优化
-
数据倾斜现象
数据频率倾斜——某一个区域的数据量远远大于其他区域数据。
数据大小倾斜——部分记录的大小远远大于平均值。
-
减少数据倾斜的方法
-
抽样和范围分区
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。
-
自定义分区
基于数据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。name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。
-
Combine
使用 Combine 可以大量地减少数据倾斜。在可能得情况下,Combine 的目的就是聚合并精简数据。
-
采用 Map Join,尽量避免 Reduce Join。
-
2.6 常用的调优参数
2.6.1 资源相关参数
-
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 -
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 -
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%
2.6.2 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.”。 |
3. HDFS 小文件优化方法
3.1 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。
3.2 HDFS 小文件解决方案
小文件的优化无非以下几种方式:
-
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。
-
在业务处理之前,在 HDFS 上使用 MapReduce 程序对小文件进行合并。
-
在 MapReduce 处理时,可采用 CombineTextInputFormat 提高效率。
具体解放方案:
-
Hadoop Archive
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。
-
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。
-
CombineFileInputFormat
CombineFileInputFormat 是一种新的 InputForamt,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。
-
开启 JVM 重用
对于大量小文件 Job,可以开启 JVM 重用,可以减少 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.jvmnumtask
值在 10~20之间。