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！
[TOC]
1）計算機性能
? CPU、內存、磁盤健康、網絡。
文件系統可以設置文件訪問時，不更新atime
2）I/O 操作優化
（1）數據傾斜
（2）map和reduce數設置不合理
（3）map運行時間太長，導致reduce等待過久
（4）小文件過多
（5）大量的不可分塊的超大文件
（6）spill次數過多
（7）merge次數過多等。
? MapReduce優化方法主要從幾個方面考慮：數據輸入、Map階段、Reduce階段、IO傳輸、數據傾斜問題。
1）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。
2）采用CombineTextInputFormat來作為輸入，解決輸入端大量小文件場景。
1）減少溢寫（spill）次數：通過調整mapreduce.task.io.sort.mb及mapreduce.map.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次數。
2）減少合并（merge）次數：通過調整mapreduce.task.io.sort.factor參數，增大merge時同時打開的文件數目，減少merge的次數，從而縮短mr處理時間。本質上其實就是增大打開的文件句柄數。
3）在map之后，不影響業務邏輯前提下，先進行combine處理，減少 I/O。
1）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。
2）設置map、reduce共存：調整mapreduce.job.reduce.slowstart.completedmaps參數，默認0.05。表示至少map任務中，執行完成的maptask數不少于5%才啟動reducetask。完成了使map運行到一定程度后，reduce也開始運行，減少reduce的等待時間。
3）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。
4）合理設置reduce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，中間多了一個寫磁盤->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：mapreduce.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。
1）采用數據壓縮的方式，減少網絡IO的的時間。安裝Snappy和LZO壓縮編碼器。
2）使用SequenceFile二進制文件。寫入速度更快，比普通文本寫入更快
1）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。
2）減少數據傾斜的方法。
MapReduce數據傾斜通常發生在reduce階段中，因為map輸出的數據經過分區之后，每個分區由一個reduce處理，而每個分區的數據量如果差異很大的話，那么reduce的處理時間肯定不同，導致木桶效應的發送，所以必須避免數據傾斜。
方法1：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。（hive中有說到）
方法2：自定義分區
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。且其中某幾個專業詞匯較多。那么就可以自定義分區將這這些專業詞匯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。
方法3：Combine
使用Combine可以大量地減小數據傾斜。在可能的情況下，combine的目的就是聚合并精簡數據。
方法4：采用Map Join，盡量避免Reduce Join。沒有reduce就不會涉及到數據傾斜的問題
| 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 | reduce端的merge過程中， 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 | 會保留指定比例的內存讀buffer中的數據直接拿給reduce使用，無需經過寫入磁盤再給reduce的過程。默認值是0.0 |
| mapreduce.map.speculative | 設置任務是否可以并發執行 |
| 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 |
| 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% |
| mapreduce.task.io.sort.factor | 同時打開文件的數目。增大merge時同時打開的文件數目，減少merge的次數 |
| 參數 | 說明 |
|---|---|
| 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.”。 |
? 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。
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，這樣就減少了namenode的內存使用。
? 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。
? 將多個文件合并成一個文件的時候，需要提供一個索引文件，說明每個文件在總文件中的起始位置，長度等信息
? 繼承于 FileInputFormat,實現子類是CombineTextInputFormat。它是是一種新的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。
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map。
具體設置：mapreduce.job.jvm.numtasks值在10-20之間。
但是開啟jvm有個缺陷。但是某個jvm被某個map或者reduce任務使用過之后，只有當當前MapReduce整個任務結束之后，其他MapReduce任務才能使用該jvm，也就是說即便該jvm是空閑的，也無法給其他MapReduce任務使用。一定程序上造成資源的浪費。
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。
