原因说明:Mapreduce 程序效率的瓶颈在于计算机性能(CPU、内存、磁盘健康、网络)和 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)。
1、 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,行 先进行 combine 处理,减少 I/O。
(3)Reduce 阶段
1 )合理设置 map 和 和 reduce 数 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) 用 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,中间多个一个写磁盘->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 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 式,减少网络 IO 的的时间。安装 Snappy 和 LZO 压缩编码器。
2)用 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)如何收集倾斜数据:在 reduce 方法中加入记录 map 输出键的详细情况的功能。
1 public static final String MAX_VALUES = "skew.maxvalues"; 2 private int maxValueThreshold; 3 @Override 4 public void configure(JobConf job) { 5 maxValueThreshold = job.getInt(MAX_VALUES, 100); 6 } 7 @Override 8 public void reduce(Text key, Iterator<Text> values, 9 OutputCollector<Text, Text> output, 10 Reporter reporter) throws IOException { 11 int i = 0; 12 while (values.hasNext()) { 13 values.next(); 14 i++; 15 } 16 if (++i > maxValueThreshold) { 17 log.info("Received " + i + " values for key " + key); 18 } 19 }
3)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:Combine 使用 Combine 可以大量地减小数据倾斜。在可能的情况下,combine 的目的就是聚合并精简数据。
方法 4:用 采用 Map Join, ,免 尽量避免 Reduce Join 。
(6)常用的调优参数
1)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)
配置参数 | 参数说明 |
mapreduce.map.memory.mb | 一个 Map Task 可使用的资源上限(单位:MB),默认为 1024。如果 Map Task 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 Reduce Task 可使用的资源上限(单位:MB),默认为 1024。如果 Reduce Task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 Map task 可使用的最多 cpu core 数目,默认值: 1 |
mapreduce.reduce.cpu.vcores | 每个 Reduce task 可使用的最多 cpu core 数目,默认值: 1 |
mapreduce.reduce.shuffle.parallelcopies | 每个 reduce 去 map 中拿数据的并行数。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 |
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)
|
参数说明 | |
yarn.scheduler.minimum-allocation-mb 1024 | 给应用程序 container 分配的最小内存 | |
yarn.scheduler.maximum-allocation-mb 8192 | 给应用程序 container 分配的最大内存 | |
yarn.scheduler.minimum-allocation-vcores 1 | 每个 container 申请的最小 CPU 核数 | |
yarn.scheduler.maximum-allocation-vcores 32 | 每个 container 申请的最大 CPU 核数 | |
yarn.nodemanager.resource.memory-mb 8192 | 给 containers 分配的最大物理内存 |
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.task.io.sort.mb 100 | shuffle 的环形缓冲区大小,默认 100m |
mapreduce.map.sort.spill.percent 0.8 | 环形缓冲区溢出的阈值,默认 80% |
4)容错相关参数(mapreduce 性能优化)
配置参数 | 参数说明 |
mapreduce.map.maxattempts | 每个 Map Task 最大重试次数,一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,一旦重试参数超过该值,则认为 Map Task 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,也许永远会卡主,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 theApplicationMaster.”。 |
2、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是的索引速度变慢。
(2)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 重用理解:一个 map 运行一个 jvm,重用的话,在一个 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。