溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
本篇內容介紹了“Hadoop入門知識點有哪些”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！
Hadoop企業優化日常工作
Mapreduce 程序效率的瓶頸在于兩點：
1）計算機性能
CPU、內存、磁盤健康、網絡
2）I/O 操作優化
數據傾斜
map和reduce數設置不合理
reduce等待過久
小文件過多
大量的不可分塊的超大文件
spill次數過多
merge次數過多等。
MapReduce優化方法主要從以下六個方面考慮：
2.1 數據輸入
合并小文件：在執行mr任務前將小文件進行合并，大量的小文件會產生大量的map任務，增大map任務裝載次數，而任務的裝載比較耗時，從而導致 mr 運行較慢。
采用ConbinFileInputFormat來作為輸入，解決輸入端大量小文件場景。
2.2 Map階段
減少spill次數：通過調整io.sort.mb及sort.spill.percent參數值，增大觸發spill的內存上限，減少spill次數，從而減少磁盤 IO。
減少merge次數：通過調整io.sort.factor參數，增大merge的文件數目，減少merge的次數，從而縮短mr處理時間。
在 map 之后先進行combine處理，減少 I/O。
2.3 Reduce階段
合理設置map和reduce數：兩個都不能設置太少，也不能設置太多。太少，會導致task等待，延長處理時間；太多，會導致 map、reduce任務間競爭資源，造成處理超時等錯誤。
設置map、reduce共存：調整slowstart.completedmaps參數，使map運行到一定程度后，reduce也開始運行，減少reduce的等待時間。
規避使用reduce，因為Reduce在用于連接數據集的時候將會產生大量的網絡消耗。
合理設置reduc端的buffer，默認情況下，數據達到一個閾值的時候，buffer中的數據就會寫入磁盤，然后reduce會從磁盤中獲得所有的數據。也就是說，buffer和reduce是沒有直接關聯的，中間多個一個寫磁盤->讀磁盤的過程，既然有這個弊端，那么就可以通過參數來配置，使得buffer中的一部分數據可以直接輸送到reduce，從而減少IO開銷：mapred.job.reduce.input.buffer.percent，默認為0.0。當值大于0的時候，會保留指定比例的內存讀buffer中的數據直接拿給reduce使用。這樣一來，設置buffer需要內存，讀取數據需要內存，reduce計算也要內存，所以要根據作業的運行情況進行調整。
2.4 IO傳輸
采用數據壓縮的方式，減少網絡IO的的時間。安裝Snappy和LZOP壓縮編碼器。
使用SequenceFile二進制文件
2.5 數據傾斜問題
數據傾斜現象
數據頻率傾斜——某一個區域的數據量要遠遠大于其他區域。
數據大小傾斜——部分記錄的大小遠遠大于平均值。如何收集傾斜數據
在reduce方法中加入記錄map輸出鍵的詳細情況的功能。
public static final String MAX_VALUES = "skew.maxvalues"; private int maxValueThreshold;
@Overridepublic void configure(JobConf job) {
maxValueThreshold = job.getInt(MAX_VALUES, 100); } @Overridepublic void reduce(Text key, Iterator<Text> values, OutputCollector<Text, Text> output,
Reporter reporter) throws IOException {
int i = 0; while (values.hasNext()) {
values.next(); i++; } if (++i > maxValueThreshold) {
log.info("Received " + i + " values for key " + key); }}3）減少數據傾斜的方法
抽樣和范圍分區
可以通過對原始數據進行抽樣得到的結果集來預設分區邊界值。自定義分區
另一個抽樣和范圍分區的替代方案是基于輸出鍵的背景知識進行自定義分區。例如，如果map輸出鍵的單詞來源于一本書。其中大部分必然是省略詞（stopword）。那么就可以將自定義分區將這部分省略詞發送給固定的一部分reduce實例。而將其他的都發送給剩余的reduce實例。Combine
使用Combine可以大量地減小數據頻率傾斜和數據大小傾斜。在可能的情況下，combine的目的就是聚合并精簡數據。采用Map Join，盡量避免Reduce Join。
2.6 常用的調優參數
1）資源相關參數
以下參數是在用戶自己的mr應用程序中配置就可以生效（mapred-default.xml）
| 配置參數 | 參數說明 |
|---|---|
| mapreduce.map.memory.mb | 一個Map Task可使用的資源上限（單位:MB），默認為1024。如果Map Task實際使用的資源量超過該值，則會被強制殺死。 |
| mapreduce.reduce.memory.mb | 一個Reduce Task可使用的資源上限（單位:MB），默認為1024。如果Reduce Task實際使用的資源量超過該值，則會被強制殺死。 |
| mapreduce.map.cpu.vcores | 每個Map task可使用的最多cpu core數目，默認值: 1 |
| mapreduce.reduce.cpu.vcores | 每個Reduce task可使用的最多cpu core數目，默認值: 1 |
| mapreduce.reduce.shuffle.parallelcopies | 每個reduce去map中拿數據的并行數。默認值是5 |
| mapreduce.reduce.shuffle.merge.percent | buffer中的數據達到多少比例開始寫入磁盤。默認值0.66 |
| mapreduce.reduce.shuffle.input.buffer.percent | buffer大小占reduce可用內存的比例。默認值0.7 |
| mapreduce.reduce.input.buffer.percent | 指定多少比例的內存用來存放buffer中的數據，默認值是0.0 |
應該在yarn啟動之前就配置在服務器的配置文件中才能生效（yarn-default.xml）
| 配置參數 | 參數說明 |
|---|---|
| yarn.scheduler.minimum-allocation-mb 1024 | 給應用程序container分配的最小內存 |
| yarn.scheduler.maximum-allocation-mb 8192 | 給應用程序container分配的最大內存 |
| yarn.scheduler.minimum-allocation-vcores 1 | 每個container申請的最小CPU核數 |
| yarn.scheduler.maximum-allocation-vcores 32 | 每個container申請的最大CPU核數 |
| yarn.nodemanager.resource.memory-mb 8192 | 給containers分配的最大物理內存 |
shuffle性能優化的關鍵參數，應在yarn啟動之前就配置好（mapred-default.xml）
| 配置參數 | 參數說明 |
|---|---|
| mapreduce.task.io.sort.mb 100 | shuffle的環形緩沖區大小，默認100m |
| mapreduce.map.sort.spill.percent 0.8 | 環形緩沖區溢出的閾值，默認80% |
2）容錯相關參數(mapreduce性能優化)
| 配置參數 | 配置參數 |
|---|---|
| mapreduce.map.maxattempts | 每個Map Task最大重試次數，一旦重試參數超過該值，則認為Map Task運行失敗，默認值：4 |
| mapreduce.reduce.maxattempts | 每個Reduce Task最大重試次數，一旦重試參數超過該值，則認為Map Task運行失敗，默認值：4。 |
| mapreduce.task.timeout | Task超時時間，經常需要設置的一個參數，該參數表達的意思為：如果一個task在一定時間內沒有任何進入，即不會讀取新的數據，也沒有輸出數據，則認為該task處于block狀態，可能是卡住了，也許永遠會卡主，為了防止因為用戶程序永遠block住不退出，則強制設置了一個該超時時間（單位毫秒），默認是600000。如果你的程序對每條輸入數據的處理時間過長（比如會訪問數據庫，通過網絡拉取數據等），建議將該參數調大，該參數過小常出現的錯誤提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。 |
3.1 HDFS小文件弊端
HDFS上每個文件都要在namenode上建立一個索引，這個索引的大小約為150byte，這樣當小文件比較多的時候，就會產生很多的索引文件，一方面會大量占用namenode的內存空間，另一方面就是索引文件過大是的索引速度變慢。
3.2 解決方案
Hadoop Archive:
是一個高效地將小文件放入HDFS塊中的文件存檔工具，它能夠將多個小文件打包成一個HAR文件，這樣在減少namenode內存使用的同時。Sequence file：
sequence file由一系列的二進制key/value組成，如果key為文件名，value為文件內容，則可以將大批小文件合并成一個大文件。CombineFileInputFormat：
CombineFileInputFormat是一種新的inputformat，用于將多個文件合并成一個單獨的split，另外，它會考慮數據的存儲位置。開啟JVM重用
對于大量小文件Job，可以開啟JVM重用會減少45%運行時間。
JVM重用理解：一個map運行一個jvm，重用的話，在一個map在jvm上運行完畢后，jvm繼續運行其他jvm
具體設置：mapreduce.job.jvm.numtasks值在10-20之間。
“Hadoop入門知識點有哪些”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
