如何优化mapreduce job的运行效率

Posted 2023-02-28

MapReduce程序的优化主要集中在两个方面：一个是运算性能方面的优化;另一个是IO操作方面的优化。
具体体现在以下的几个环节之上：
1. 任务调度
a. 尽量选择空闲节点进行计算
b. 尽量把任务分配给InputSplit所在机器
2. 数据预处理与InputSplit的大小
尽量处理少量的大数据;而不是大量的小数据。因此可以在处理前对数据进行一次预处理，将数据进行合并。
如果自己懒得合并，可以参考使用CombineFileInputFormat函数。具体用法请查阅相关函数手册。
3. Map和Reduce任务的数量
Map任务槽中任务的数量需要参考Map的运行时间，而Reduce任务的数量则只需要参考Map槽中的任务数，一般是0.95或1.75倍。
4. 使用Combine函数
该函数用于合并本地的数据，可以大大减少网络消耗。具体请参考函数手册。
5. 压缩
可以对一些中间数据进行压缩处理，达到减少网络消耗的目的。
6. 自定义comparator
可以自定义数据类型实现更复杂的目的。 参考技术A Job的运行过程中会有一系列的sort 的操作，并且reduce input groups的counter变量的值远远要小于reduce input records counter。
Job在mapper完成以后，shuffle过程中传输了大量的中间结果文件（例如：每个slave上的map output bytes都好几个GB）
在job 的webui上的counter中看到，job的spilled records的数量远远要大于map output records的数量。
如果job的算法中涉及到许多的排序操作，可以尝试写一个Combiner来提高job性能。hadoop的mapreduce框架中提供了Combiner来减少中间结果对磁盘的写入和减少中间结果在mapper和reducer之间的传输，通常这两个方面都是非常影响作业性能的两个方面。
性能对比:
修改wordcount程序，将setCombinerClass去掉，或者不去掉，两种方式对比运行。去掉的结果是，让每一个mapper的运行时间由原先的33s变成了平均48s，并且shuffle过程中的中间数据也由1G变成1.4GB，整个的job由原先的8分30秒变成了15分42秒，将近两倍了。而且，这个测试还是在enable了map的output 压缩的情况下进行的，如果disable这个特性，性能的影响可能会更加大。本回答被提问者和网友采纳