Hadoop企业优化

Posted 2021-03-17 爱学习没办法

---

1、MapReduce跑的慢的原因

MapReduce程序效率的瓶颈主要在于两点：

1、机器性能不足（CPU、内存、磁盘健康、网络）

2、IO操作优化

1. 数据倾斜
2. Map和Reduce数设置不合理
3. Map运行时间太长，导致Reduce等待的时间太久
4. 小文件
5. 大量不可切分的超大文件
6. spill溢写次数过多
7. merge次数过多

---

2、优化方法

我们可以从六个方面考虑优化问题

1. 数据输入
2. Map阶段
3. Reduce阶段
4. IO传输
5. 数据倾斜问题
6. 常用参数调优

---

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此书，从而减少磁盘IO。
2. 减少合并次数：通过调账io.sort.factor参数，增大merge的文件数目，减少merge的次数，从而缩短了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。太多会导致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. 合理是设置Reduce端的Buffer：默认情况下，数据情况下，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会从磁盘中获取所有的数据。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需要的内存，设置Buffer需要内存，读取数据需要内存，Reduce计算也要内存，所有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. 数据倾斜现象
   
   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. 数据大小影斜——部分记录的大小远远大于平均值。
2. 减少数据倾斜的方法

 

---