Hadoop之Hadoop企业优化（HDFS小文件优化）
Hadoop之Hadoop企業優化
目錄
1. MapReduce 跑的慢的原因
Mapreduce 程序效率的瓶頸在于兩點：
計算機性能
CPU、內存、磁盤健康、網絡
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優化方法主要從六個方面考慮：數據輸入、Map階段、Reduce階段、IO傳輸、數據傾斜問題和常用的調優參數。
2. MapReduce優化方法之數據輸入
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CombineTextInputFormat來作為輸入，解決輸入端大量小文件場景。
3. MapReduce優化方法之Map階段
減少溢寫（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。
減少合并（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，不影響業務邏輯前提下，先進行combine處理，減少 I/O。
4. MapReduce優化方法之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。
5. MapReduce優化方法之I/O傳輸
6. MapReduce優化方法之數據傾斜問題
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。
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。
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。
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。
7. MapReduce優化方法之常用的調優參數
資源相關參數
| 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 |
| yarn.scheduler.minimum-allocation-mb | 給應用程序container分配的最小內存，默認值：1024 |
| yarn.scheduler.maximum-allocation-mb | 給應用程序container分配的最大內存，默認值：8192 |
| yarn.scheduler.minimum-allocation-vcores | 每個container申請的最小CPU核數，默認值：1 |
| yarn.scheduler.maximum-allocation-vcores | 每個container申請的最大CPU核數，默認值：32 |
| yarn.nodemanager.resource.memory-mb | 給containers分配的最大物理內存，默認值：8192 |
| mapreduce.task.io.sort.mb | shuffle的環形緩沖區大小，默認100m |
| mapreduce.map.sort.spill.percent | 環形緩沖區溢出的閾值，默認80% |
| 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，也許永遠會卡住，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.”。 |
8. HDFS小文件優化方法
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導致索引速度變慢。
解決方案
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。
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。
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。
總結
以上是生活随笔為你收集整理的Hadoop之Hadoop企业优化（HDFS小文件优化）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Hadoop之资源调度器与任务推测执行
- 下一篇： MarkDown页面添加锚点,跳转到本页