您的位置: 首页  >  文章  >  【MapReduce】六、Hadoop企业优化

【MapReduce】六、Hadoop企业优化

分类: 文章 • 2025-02-14 22:32:51

文章目录

一、MapReduce 跑的慢的原因

  1. MapReduce程序效率的瓶颈在于两点:
    1.1 计算机性能
    CPU、内存、磁盘健康、网络
    1.2 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。

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CombineTextInputFormat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，不影响业务逻辑前提下，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，使Map运行到—定程度后，Reducet也开始运行，i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: mapreducereduce.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兄进行调整。
  4. I/O传输
    1)采用数据压缩的方式，减少网络IO的的时间。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:Conbine
    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:采用Map Join，尽量避免Reduce Join。
  6. 常用的调优参数
    6.1 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）
    【MapReduce】六、Hadoop企业优化
    （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）
    【MapReduce】六、Hadoop企业优化
    （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）
    【MapReduce】六、Hadoop企业优化
    6.2 容错相关参数(MapReduce性能优化)
    【MapReduce】六、Hadoop企业优化

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。
    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）在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。
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）在MapReduce处理时，可采用CombineTextInputFormat提高效率。
combineFilelnputFormat
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继续运行其他Map。
具体设置: maprechice.job.jvm.numtasks值在10-20之间。

相关推荐