Hadoop 企业优化

1 MapReduce 跑的慢的缘由

2 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、IO传输、数据倾斜问题和经常使用的调优参数。

2.1 数据输入

2.2 Map 阶段

2.3 Reduce 阶段

2.4 IO 传输

2.5 数据倾斜问题

2.6 经常使用的调优参数

2.6.1 资源相关参数

如下参数是在用户本身的MR应用程序中配置就能够生效[mapred-default.xml]

配置参数	参数说明
mapreduce.map.memory.mb	一个MapTask可以使用的资源上限（单位:MB），默认为1024。若是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可以使用的资源上限（单位:MB），默认为1024。若是ReduceTask实际使用的资源量超过该值，则会被强制杀死
mapreduce.map.cpu.vcores	每一个MapTask可以使用的最多cpu core数目，默认值: 1
mapreduce.reduce.cpu.vcores	每一个ReduceTask可以使用的最多cpu core数目，默认值: 1
mapreduce.reduce.shuffle.parallelcopies	每一个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

应该在YARN启动以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	每一个Container申请的最小CPU核数，默认值：1
yarn.scheduler.maximum-allocation-vcores	每一个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

Shuffle性能优化的关键参数，应在YARN启动以前就配置好[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%

2.6.2 容错相关参数(MapReduce性能优化)

配置参数	参数说明
mapreduce.map.maxattempts	每一个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	每一个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，常常须要设置的一个参数，该参数表达的意思为：若是一个Task在必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，多是卡住了，也许永远会卡住，为了防止由于用户程序永远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。若是你的程序对每条输入数据的处理时间过长（好比会访问数据库，经过网络拉取数据等），建议将该参数调大，该参数太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.”

3 HDFS 小文件优化方法

3.1 HDFS 小文件弊端

HDFS 上每一个文件都要在 NameNode 上创建一个索引，这个索引的大小约为 150byte，这样当小文件比较多的时候，就会产生不少的索引文件，一方面会大量占用 NameNode 的内存空间，另外一方面就是索引文件过大使得索引速度变慢。

3.2 HDFS小文件解决方案

小文件的优化无非如下几种方式：

• 在数据采集的时候，就将小文件或小批数据合成大文件再上传 HDFS。
• 在业务处理以前，在 HDFS 上使用MapReduce程序对小文件进行合并。
• 在 MapReduce 处理时，可采用 CombineTextInputFormat 提升效率。