MapReduce面试题

MapReduce优化方法

或如何减少map任务的启动
或如何减少磁盘io

• 数据输入

1. 小文件合并。使用抽象类CombineFileInputFormat作为输入处理。

• map阶段

1. 减少spill和merge次数。通过调整io.sort.mb及sort.spill.percent参数值，增大触发spill的内存上限，减少spill次数，从而减少磁盘 IO；通过调整io.sort.factor参数，增大merge的文件数目，减少merge的次数，从而缩短mr处理时间。

   map后进行combine操作。

• reduce阶段

  1. 规避使用reduce。Reduce阶段会大量消耗资源。
  2. 合理设置map和reduce数量。
  3. 设置map和reduce同时进行。通过调整slowstart.completedmaps参数、减少reduce的等待时间。
  4. 合理设置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，中间多个一个写磁盘->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IO开销：mapred.job.reduce.input.buffer.percent，默认为0.0。当值大于0的时候，会保留指定比例的内存读buffer中的数据直接拿给reduce使用。这样一来，设置buffer需要内存，读取数据需要内存，reduce计算也要内存，所以要根据作业的运行情况进行调整。

• io传输时

  1. 合理采用数据压缩技术降低io传输量。
  2. 使用二进制文件。

• 数据倾斜时
  分为：数据频率倾斜和数据大小倾斜。

1. 使用Combine。
2. 抽样原始数据进行合理分区。

MapReduce跑得慢的原因？

Mapreduce 程序效率的瓶颈在于两点：

1）计算机性能
  CPU、内存、磁盘健康、网络
 2）I/O 操作优化

1）数据倾斜
  2）map和reduce数设置不合理
  3）reduce等待过久
  4）小文件过多
5）大量的不可分块的超大文件
 6）spill次数过多
  7）merge次数过多等

HDFS小文件优化方法:

• 存在的弊端：
  HDFS上每个文件都要在namenode上建立一个索引，这个索引的大小约为150byte，这样当小文件比较多的时候，就会产生很多的索引文件，一方面会大量占用namenode的内存空间，另一方面就是索引文件过大是的索引速度变慢。
• 解决的思路：
  • Hadoop本身提供了一些文件压缩的方案。
  • 从系统层面改变现有HDFS存在的问题，其实主要还是小文件的合并，然后建立比较快速的索引。
• 解决方案：

1. Hadoop Archive：是一个高效地将小文件放入HDFS块中的文件存档工具，它能够将多个小文件打包成一个HAR文件，这样在减少namenode内存使用的同时。
2. Sequence file：sequence file由一系列的二进制key/value组成，如果为key小文件名，value为文件内容，则可以将大批小文件合并成一个大文件。
3. CombineFileInputFormat: CombineFileInputFormat是一种新的inputformat，用于将多个文件合并成一个单独的split，另外，它会考虑数据的存储位置。