MapReduce跑的慢的原因：
- 计算机性能：CPU、内存、磁盘健康、网络。
- I/O操作优化：数据倾斜、Map和Reduce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、溢写次数过多、合并过多。
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
- 合并小文件：在执行MapReduce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MapReduce运行较慢。
- 采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。
Map阶段
- 减少溢写（Spill）次数，通过调整io.sort.mb和sort.spill.percent参数值，增大触发溢写的内存上限，减少溢写次数，从而减少磁盘I/O。
- 减少合并（Merge）次数，通过调整io.sort.factor参数，增大合并的文件数目，减少合并的次数，从而缩短处理时间。
- 在Map之后，不影响业务逻辑前提下，先进行Combiner处理，减少I/O。
Reduce阶段
- 合理设置Map和Reduce数：太少会导致Task等待，延长处理时间；太多会导致任务间竞争资源，造成处理超时等错误。
- 设置Map和Reduce共存：调整slowstart.completemaps参数，使Map运行到一定程度后，Reduce也可以开始运行，减少Reduce的等待时间。
- 避免使用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。
- 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，中间有多次写磁盘、读磁盘的操作。既然有这个弊端，那么可以通过参数mapreduce.reduce.input.buffer.percent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I/O开销。该参数是指保留指定比例的内存读取Buffer中的数据，直接拿给Reduce使用。
IO传输
- 采用数据压缩的方式减少网络I/O的时间。
- 使用SequenceFileOutputFormat。
数据倾斜问题
- 自定义分区。使用Combiner。
- 采用Map Join，尽量避免Reduce Join。
常用的调优参数
资源相关参数
- 以下参数在用户自己的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.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MapTask可使用的最多cpu core数目，默认值: 1 |
| mapreduce.reduce.cpu.vcores | 每个ReduceTask可使用的最多cpu core数目，默认值: 1 |
| mapreduce.reduce.shuffle.parallelcopies | 每个Reduce去Map中取数据的并行数，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 |
- 以下参数应该在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，默认值：8192 |
- 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% |
容错相关参数(MapReduce性能优化)
| 配置参数 | 参数说明 |
|---|---|
| mapreduce.map.maxattempts | 每个MapTask最大重试次数，一旦重试参数超过该值，则认为MapTask运行失败，默认值：4。 |
| mapreduce.reduce.maxattempts | 每个ReduceTask最大重试次数，一旦重试参数超过该值，则认为MapTask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“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。 |
小文件优化方法
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。
- Hadoop Archive：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一个HAR文件，对内是一个一个独立文件，对NameNode是一个整体，这样就减少了NameNode内存使用。
归档文件：hadoop archive -archiveName input.har –p /opt/input /opt/output
查看归档：hadoop fs -lsr /opt/output/input.har
hadoop fs -lsr har:///opt/output/input.har
解归档文件：hadoop fs -cp har:///opt/output/input.har/* /opt/tmp - SequenceFile：由一系列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。
- CombineTextInputFormat：用于多个文件合并成一个单独的切片，而且它会考虑数据的存储位置。
- 开启JVM重用：JVM重用原理是一个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。设置mapreduce.job.jvm.numtasks。