MapReduce 优化方法|学习笔记

开发者学堂课程【Hadoop 企业优化及扩展案例：MapReduce 优化方法】学习笔记，与课程紧密联系，让用户快速学习知识。

课程地址：https://developer.aliyun.com/learning/course/96/detail/1570

MapReduce 优化方法

目录：

一．数据输入

二．Map 阶段

三．Reduce 阶段

四．传输

五．数据倾斜问题

六．常用的调优参数

一. 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 CombineTextInputFormnat 来作为输入,解决输入端大量小文件场景。

二. 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 Sill 次数,从而减少磁盘 I0。

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。

三.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.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: 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 i计算也要内存,所以要根据作业的运行情况进行调整。

四.IO 传输

1.采用数据压缩的方式,减少网络 I0 的的时间。安装 Snappy 和 LZ0 压缩编码器。

2.使用 SequenceFile 二进制文件。

五.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.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- -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 的目的就是粲合并精简数据。

方法4：

采用 MAP JOIN, 尽量避免 Reduce Join。

六.常用的调优参数.

1.资源相关参数。

1.1 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)

1.2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 (yann-default.xml)

1.3Shuffle 性能优化的关键参数,应在 YARN 启动之前就配置好(mapred-default.xml)

2. 容错相关参数(MapReduce 性能优化)