Hadoop优化

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、磁盘健康、网络
	2)I/O 操作优化
		(1)数据倾斜
		(2)map 和 reduce 数设置不合理
		(3)map 运行时间太长,导致 reduce 等待过久
		(4)小文件过多
		(5)大量的不可分块的超大文件
		(6)spill 次数过多
		(7)merge 次数过多等。

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
(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 CombineTextInputFormat 来作为输入,解决输入端大量小文件场景。
  • 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, 不影响业务逻辑前提下,行 先进行 combine  处理,减少 I/O。
  • Reduce 阶段
1 )合理设置 map 和 和 reduce 数 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,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) )用 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 )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,中间多个一个写磁盘->读磁盘的过程,既然有这个弊端,那么就可以通
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:
mapred.job.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
  • IO 传输
1) 采用数据压缩的方式 式,减少网络 IO 的的时间。安装 Snappy 和 LZO 压缩编码器。
2) 使用 使用 SequenceFile  二进制文件。
  • 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的结果集来预设分区边界值。
	方法 2 :自定义分区
		基于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 3 :Combine
		使用 Combine 可以大量地减小数据倾斜。在可能的情况下,combine 的目的就是聚合并精简数据
	方法 4:用 采用 Map Join, ,免 尽量避免 Reduce Join 。
  • 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)

配置参数说明
mapreduce.map.memory.mb一个 Map Task 可使用的资源上限(单位:MB),默认为 1024。如果 Map Task 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 Reduce Task 可使用的资源上限(单位:MB),默认为 1024。如果 Reduce Task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 Map task 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 中拿数据的并行数。默认值是 5
mapreduce.reduce.shuffle.merge.percentbuffer 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.percentbuffer 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)

配置参数说明
yarn.scheduler.minimum-allocation-mb 1024给应用程序 container 分配的最小内存
yarn.scheduler.maximum-allocation-mb 8192给应用程序 container 分配的最大内存
yarn.scheduler.minimum-allocation-vcores 1每个 container 申请的最小 CPU 核数
yarn.scheduler.maximum-allocation-vcores 32每个 container 申请的最大 CPU 核数
yarn.nodemanager.resource.memory-mb 8192给 containers 分配的最大物理内存

(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)

配置参数说明
mapreduce.task.io.sort.mb 100shuffle 的环形缓冲区大小,默认 100m
mapreduce.map.sort.spill.percent 0.8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.timeoutTask 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,也许永远会卡主,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 theApplicationMaster.”。

大量小文件的优化策略

  • 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是的索引速度变慢

  • 解决方案
    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)CombineTextInputFormat:

CombineTextInputFormat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%运行时间。
JVM 重用理解:一个 map 运行一个 jvm,重用的话,在一个 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。

  • TextFileInputFormat

在Input时,将小文件组合成大文件
如果已存在HDFS中,可以用CombineTextInputFormat进行切片,
他可以将多个小文件从逻辑上规划到一个切片上,这样就可以将多个小文件放到一个MapTask中处理

1)默认情况下 TextInputformat 对任务的切片机制是按文件规划切片,不管文件多小,都会
是一个单独的切片,都会交给一个 maptask,这样如果有大量小文件,就会产生大量的
maptask,处理效率极其低下。

2)优化策略
(1)最好的办法,在数据处理系统的最前端(预处理/采集),将小文件先合并成大文
件,再上传到 HDFS 做后续分析。
(2)补救措施:如果已经是大量小文件在 HDFS 中了,可以使用另一种 InputFormat
来做切片(CombineTextInputFormat),它的切片逻辑跟 TextFileInputFormat 不同:它可以
将多个小文件从逻辑上规划到一个切片中,这样,多个小文件就可以交给一个 maptask。
(3)优先满足最小切片大小,不超过最大切片大小
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m
举例:0.5m+1m+0.3m+5m=2m + 4.8m=2m + 4m + 0.8m

3)具体实现步骤
// 如果不设置 InputFormat,它默认用的是 TextInputFormat.class
job.setInputFormatClass(CombineTextInputFormat.class)
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m

实操案例:

### 默认是TextInputFormat
代码如WordCount,不进行修改,直接运行,我们会看到控制台打印:
number of splits:5
5个小文件分为了5个切片

#### 修改代码 将合并文件之后进行切片
设置InputFormatClass为CombineTextInputFormat

在Runner中设置: 注意导包  mapreduce.input
job.setInputFormatClass(CombineTextInputFormat.class)

//设置切片最大最小值  
CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4m
CombineTextInputFormat.setMinInputSplitSize(job, 2097152);// 2m

#### 切片如果计算  优先满足最小切片  设置最小切片大小为2M  最大切片大小为4M
4个文件:分别是0.5M,1M,0.3M,5M
举例:0.5m+1m+0.3m+5m=2m + 4.8m=2m + 4m + 0.8m

4个文件,优先满足最小切片,所以先组装2M
0.5+1+0.3+0.2 (0.2是从5M中取出来) 这样满足2M  形成一个切片
4.8 M  超过最大   4M  是一个切片
0.8M 是剩下的一个切片  
一共分为了3个切片


本博客仅为博主学习总结,感谢各大网络平台的资料。蟹蟹!!

相关推荐
©️2020 CSDN 皮肤主题: 撸撸猫 设计师:马嘣嘣 返回首页