MapReduce 优化方法 · Hadoop2.x

MapReduce 优化方法主要以下几个方面考虑：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。 [TOC] # 1. 数据输入合并小文件：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。 <br/> # 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，不影响业务逻辑前提下，先进行 combine 处理，减少 I/O。 <br/> # 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，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. 使用 reduce：因为 reduce 在用于搜集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。 <br/> # 4. 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. 如何收集倾斜数据在 reduce 方法中加入记录 map 输出键的详细情况的功能。 ```java public static final String MAX_VALUES = "skew.maxvalues"; private int maxValueThreshold; @Override public void configure(JobConf job) { maxValueThreshold = job.getInt(MAX_VALUES, 100); } @Override public void reduce(Text key, Iterator<Text> values, OutputCollector<Text, Text> output, Reporter reporter) throws IOException { int i = 0; while (values.hasNext()) { values.next(); i++; } if (++i > maxValueThreshold) { log.info("Received " + i + " values for key " + key); } } ``` 3. 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 的目的就是提前聚合并精简数据。方法 4：采用 Map Join，尽量避免 Reduce Join。 <br/> # 5. 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 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 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.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1024MB | | `yarn.scheduler.maximum-allocation-mb` | 给应用程序 container 分配的最大内存, 默认8192MB | | `yarn.scheduler.minimum-allocation-vcores` | 每个 container 申请的最小 CPU 核数, 默认为1 | | `yarn.scheduler.maximum-allocation-vcores` | 每个 container 申请的最大 CPU 核数, 默认32 | | `yarn.nodemanager.resource.memory-mb` | 给 containers 分配的最大物理内存, 默认8192MB | （ 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%，即0.8 | 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 the ApplicationMaster. |