MapReduce跑的慢的原因
MapReduce程序效率的瓶颈在于两点:
1.计算机性能
cpu,内存,磁盘健康,网络
2.I/O操作优化
- 数据倾斜
- Map和Reduce数设置不合理
- Map运行时间过长,导致Reduce等待过久
- 小文件过多
- 大量不可切片的超大压缩文件
- Spill次数过多等
- Merge次数过多
…
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
- I/O传输
- 数据倾斜问题
- 常用调优参数
Map阶段、Reduce阶段、IO传输、数据倾斜问题和常用的调优参数。
数据输入
- 合并小文件:在执行MapReduce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任务的装载次数,而任务的装载比较消耗时,从而导致MapReduce运行比较慢.
- 采用CombineTextInputFormat来作为输入解决输入daunt大量小文件场景.
Map阶段
- 减少溢写次数(Spill):通过调整mapreduce.task.io.sort.mb及mapreduce.map.sort.percent参数值,增大出发Spill的内存上限,减少Spill次数从而达到减少磁盘IO的目的
- 减少合并次数(Merge):通过调整mapreduce.task.io.sort.factor参数,增大Merge的文件数目,减少Merge的次数,来达到缩短MR处理时间
- 在Map之后,先进行Combine处理(在不影响业务逻辑的前提下)可以有效的减少IO
Reduce阶段
- 合理设置Map和Reduce数:不能太多,也不能太少,太多会导致Map,Reduce任务之间竞争资源,造成处理超时等错误;太少的话会导致Task等待,延长处理时间
- 设置Map,Reduce共存:调整mapreduce.job.reduce.slow.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
- 规避使用Reduce:Reduce在用于连接数据集的时候将会产生大量的网络消耗
- 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,中间多次写入磁盘—>读磁盘的过程,可以通过参数来进行配置,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计算也需要内存,所以需要根据作业的运行情况进行调整)
I/O传输
- 采用数据压缩的方式,减少网络IO的时间(建议安装Snappy和LZO压缩编码器)
- 使用SequenceFile二进制文件
数据倾斜问题
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
减少数据倾斜的方法:
- 抽样和范围分区
- 自定义分区
- Combiner(能用就要使用)
- 尽量采用Map Join,避免Reduce Join
常用调优参数
1.资源相关参数
(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）
| 配置参数 | 参数说明 |
|---|---|
| mapreduce.map.memory.mb | 一个MapTask可使用的资源上限（单位:MB），默认为1024。如果MapTask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ReduceTask可使用的资源上限（单位:MB），默认为1024。如果ReduceTask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MapTask可使用的最多cpu core数目，默认值: 1 |
| mapreduce.reduce.cpu.vcores | 每个ReduceTask可使用的最多cpu core数目，默认值: 1 |
| mapreduce.reduce.shuffle.parallelcopies | 每个Reduce去Map中取数据的并行数。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）
| 配置参数 | 参数说明 |
|---|---|
| yarn.scheduler.minimum-allocation-mb | 给应用程序Container分配的最小内存，默认值：1024 |
| yarn.scheduler.maximum-allocation-mb | 给应用程序Container分配的最大内存，默认值：8192 |
| yarn.scheduler.minimum-allocation-vcores | 每个Container申请的最小CPU核数，默认值：1 |
| yarn.scheduler.maximum-allocation-vcores | 每个Container申请的最大CPU核数，默认值：32 |
| yarn.nodemanager.resource.memory-mb | 给Containers分配的最大物理内存，默认值：8192 |
（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）
| 配置参数 | 参数说明 |
|---|---|
| mapreduce.task.io.sort.mb | Shuffle的环形缓冲区大小，默认100m |
| mapreduce.map.sort.spill.percent | 环形缓冲区溢出的阈值，默认80% |
2.容错相关参数（MapReduce性能优化）
| 配置文件 | 参数说明 |
|---|---|
| mapreduce.map.maxattempts | 每个Map Task最大重试次数，一旦重试次数超过该值，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，一旦重试次数超过该值，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，也许永远会卡住，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（10分钟）。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 the ApplicationMaster.” |
