MapReduce的优化

MapReduce的优化方法

​ MapReduce优化方法主要从六个方面考虑：输入阶段、Map阶段、Reduce阶段、IO阶段、数据倾斜问题、常用的调优参数

1、输入阶段

  1. 合并小文件
    • 在执行MR任务之前合并小文件，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，而任务的装载比较耗时，从而导致MR运行慢
  2. 采用combineTextInputFormat作为输入，来解决输入端大量小文件的场景

2、Map阶段

  1. 减少溢写（Spill）次数
    • 调整 mapreduce.task.io.sort.mb 和 mapreduce.map.sort.spill.percent ，增大出发Spill的内存上限，减少Spill次数，从而减少磁盘IO
  2. 减少合并（merge）次数
    • 调整 mapreduce.task.io.sort.factor ，增加Merge的文件数，以此来减少Merge的次数，从而缩短MR的处理时间
  3. 优先 combine
    • 在Map之后，不影响业务的逻辑的前提下，阔以先进行combine，以此减少IO

3、Reduce阶段

  1. 设置合理的map/reduce数量
    • 二者皆不可设置的太多或者太少，太多：会导致Map与Reduce之间相互竞争资源，造成处理时间超时等错误；太短：会导致Task等待，延长处理时间；
  2. 设置map与reduce共存
    • 调整slow start completedmaps 参数，使得Map运行到一定程度后，Reduce也开始运行，从而减少Reduce的等待时间
  3. 规避使用reduce
    • 数据能在map端处理完成就直接处理完成，走reduce会产生大量的资源消耗
  4. 设置合理的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I/O开销
    • mapreduce.reduce.input.buffer.perent的默认为0.0。当值大于0时，会保留指定比例的内存以读取Bulfer中的数据直接拿给Reduce使用。

4、IO阶段

  1. 采用数据压缩的方式
    • 压缩数据，数据量减小，减少任务的IO时间
    • Snappy 和 LZO 格式需要安装压缩编码器
  2. 使用seq二进制文件

5、数据倾斜

  1. 数据倾斜现象
    1. 数据频率倾斜 — 某一区域的数据量要远远大于其他区域
    2. 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
    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
    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一本书。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。
    3. Combine
      • 使用Combine可以大量地减小数据倾斜。在可能的情兄下，Combine的目的就是聚合并精简数据。
    4. 采用 Map Join，尽量避免 Reduce Join

6、计算机性能

  • CPU、内存、磁盘管理、网络

7、调优参数

  1. 资源相关参数

    1. mapred-default.xml

      配置参数 参数说明 备注
      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. yarn-default.xml

      配置参数 参数说明 备注
      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 — mapred-default.xml

      配置参数 参数说明 备注
      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（MR性能优化）

    配置参数 参数说明 备注
    mapreduce.map.maxattempts 每个Map Task最大重试次数，一旦重试参数超过该值，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，一旦重试参数超过该值，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。 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.”。