MapReduce 优化方法|学习笔记

更新时间：2022-06-15 04:50:02

开发者学堂课程【Hadoop 企业优化及扩展案例：MapReduce 优化方法】学习笔记，与课程紧密联系，让用户快速学习知识。

课程地址：https://developer.aliyun.com/learning/course/96/detail/1570

MapReduce 优化方法

一．数据输入

二．Map 阶段

三．Reduce 阶段

四．传输

五．数据倾斜问题

六．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 CombineTextInputFormnat 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 Sill 次数,从而减少磁盘 I0。

(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.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: 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 i计算也要内存,所以要根据作业的运行情况进行调整。

4.IO 传输

（1)采用数据压缩的方式,减少网络 I0 的的时间。安装 Snappy 和 LZ0 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- -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 的目的就是粲合并精简数据。

方法4：

采用 MAP JOIN, 尽量避免 Reduce Join。

6.常用的调优参数.

（1）资源相关参数。

1.1 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 MapTask 可使用的资源上限(单位:MB)，默认为1024。如果MapTask 实际使用的资源量超过该值，则会被强制杀死。
mapreduce.reduce.memory.mbo	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.vcoreso	每个 MapTask 可使用的最多cpucore 数目，。默认值: 1。
mapreduce.reduce. .shuffle.parallelcopieso	每个 Reduce 去 Map 中取数据的并行数。默。认值是 5。
mapreduce.reduce.shuffle.merge.percento	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.perce	Buffer 大小占 Reduce 可用内存的比例。默认值0.7。
mapreduce.reduce.input.buffer.percento	指定多少比例的内存用来存放Buffer 中的。数据，默认值是 0.0。

1.2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 (yann-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。认值: 1024。
yarn.scheduler.maximum-allocation-mb	给应用程序 Container分配的最大内存，默。认值: 8192。
yarn.scheduler.minimum-allocation-vcores。	每个 Container 申请的最小 CPU 核数,默认值: 1。
yarn.scheduler.maximum-allocation-vcores。	每个 Container 申请的最大 CPU 核数,默认值:32。
yarn.nodemanager.resource.memory-mb	给 Containers 分配的最大物理内存，默认。fiï: 8192.

1.3Shuffle 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%。

2. 容错相关参数(MapReduce 性能优化)

上一篇 : ：多 Job 串联案例第一个 Job |学习笔记下一篇 : TopN 案例|学习笔记

配置参数	参数说明
mapreduce.map.maxattemptso	每个 MapTask 最大重试次数，--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, - -旦重试参数超过该，值，则认为 Map Task运行失败，默认值: 4
mapreduce.task.timeouto	Task 超时时间，经常需要设置的一一个参数，该参数表。达的意思为:如果---个Task 在--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，也许永远会卡住，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AttemptlD:attempt_ 14267829456721 _123456_ _m_ _000224 0 Timed out after 300 secsContainer killed by theApplicationMaster.

MapReduce 优化方法|学习笔记