技术浅谈Hadoop中mapreduce执行速度的问题

Posted 2021-04-13 程序员交流学习

我们都知道，增加task的数量，一方面增加了系统的开销，另一方面增加了负载平衡和减小了任务失败的代价。

map task的数量即mapred.map.tasks的参数值，用户不能直接设置这个参数。Input Split的大小，决定了一个Job拥有多少个map。默认input split的大小是64M（与dfs.block.size的默认值相同）。然而，如果输入的数据量巨大，那么默认的64M的block会有几万甚至几十万的Map Task，集群的网络传输会很大，最严重的是给Job Tracker的调度、队列、内存都会带来很大压力。mapred.min.split.size这个配置项决定了每个 InputSplit的最小值，用户可以修改这个参数，从而改变maptask的数量。

一个恰当的map并行度是大约每个节点10-100个map，且最好每个map的执行时间至少一分钟。

reduce task的数量由mapred.reduce.tasks这个参数设定，默认值是1。

合适的reduce task数量是0.95或者0.75*( nodes *mapred.tasktracker.reduce.tasks.maximum), 其中，mapred.tasktracker.tasks.reduce.maximum的数量一般设置为各节点cpu core数量，即能同时计算的slot数量。对于0.95，当map结束时，所有的reduce能够立即启动；对于0.75，较快的节点结束第一轮reduce后，可以开始第二轮的reduce任务，从而提高负载均衡。

 

测试总结：

一 数据2亿的数据量

整个测试过程中输入数据保持不变，输出逻辑数据保持不变

 

二 测试数据

1.map=128，reduce=20

Elapsed:   5hrs,18mins, 56sec

Diagnostics:      

Average Map Time  1hrs, 43mins, 29sec

Average Reduce Time      2hrs, 36mins, 2sec

Average Shuffle Time       1hrs, 14mins, 12sec

Average Merge Time       0sec

 

2.map=256，reduce=20

Elapsed:   4hrs,23mins, 59sec

Diagnostics:      

Average Map Time  56mins, 23sec

Average Reduce Time      2hrs, 40mins, 58sec

Average Shuffle Time       1hrs, 5mins, 56sec

Average Merge Time       2sec

 

3.map=512，reduce=20

Elapsed:   4hrs,13mins, 31sec

Diagnostics:      

Average Map Time  28mins, 16sec

Average Reduce Time      2hrs, 37mins, 19sec

Average Shuffle Time       56mins, 45sec

Average Merge Time       1mins, 39sec

 

由上面的数据来看，在reduce数量不变前提下

map执行时间会成倍数下降，但是shuffle和redue执行时间变化很小，导致，总体执行时间越到最后执行时间下降越缓慢