2.Hadoop企业优化

文章目录

• Hadoop企业优化






• 1. MapReduce 跑的慢的原因


• 2. MapReduce优化方法




• 2.1 数据输入


• 2.2 Map阶段


• 2.3 Reduce阶段


• 2.4 I/O传输


• 2.5 数据倾斜问题


• 2.6 常用的调优参数




• 资源相关参数


• 容错相关参数(MapReduce性能优化)






• 3. HDFS小文件优化方法






• HDFS小文件弊端


• HDFS小文件解决方案










• ☆

Hadoop企业优化

1. 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
   
   
   
   • 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
   
   
   • 大量的不可分块的超大文件
   
   
   • 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

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。

2.2 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。

2.3 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. 
   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：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计算也要内存，所以要根据作业的运行情况进行调整。

2.4 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。

2.5 数据倾斜问题

1. 数据频率倾斜：某一个区域的数据量要远远大于其他区域。


2. 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：

2.6 常用的调优参数

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）

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）

Shuffle性能优化的关键参数，应在YARN启动之前就配置好（mapred-default.xml）

容错相关参数(MapReduce性能优化)

3. 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

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。


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。

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. 
   CombineFileInputFormat
   
   
   
   
   • 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：mapreduce.job.jvm.numtasks值在10-20之间。
   
   
   
   

☆