MapReduce跑得慢的原因
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
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MR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，先进行Combine处理，减少I/O
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）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，中间多次写入磁盘->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。
I/O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
数据倾斜
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）减少数据倾斜方法
方法1：抽样和范围分区
可以通过队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比较多。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3：Combine
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
常用的调优参数
HDFS小文件优化方法
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。
HDFS小文件解决方案
1）在数据采集的时候，就将小文件或小批数据合并成大文件再上传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
HDFS小文件解决方案
1）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i个HAR文件，这样就减少了NameNode的内存使用
2）Sequence File
由一系列的二进制key/value组成，如果key为文件名，value为文件内存，则可以将大批小文件合并成一个大文件
3）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%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不会关闭重启而是直接继续运行其他Map
具体设置：mapreduce.job.jvm.numtasks值在10-20之间
网友评论