1. MapReduce跑的慢的原因
MapReduce 程序效率的瓶颈在于两点:
- 计算机性能
CPU、内存、磁盘、网络 - I/O 操作
- 数据倾斜
- map 和 reduce 数设置不合理
- map 运行时间太长,导致 reduce 等待过久
- 小文件过多
- 大量的不可分块的超大文件(例:通过 gzip 压缩后的文件)
- spill(溢写)次数过多
- merge(map 端合并或 reduce 端合并)次数过多
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、数据倾斜问题和常用的调优参数。
2.1. 数据输入
- 合并小文件:在执行 mr 任务前将小文件进行合并,大量的小文件会产生大量的 map 任务,增大 map 任务装载次数,而任务的装载比较耗时,从而导致 mr 运行较慢。
- 采用 CombineTextInputFormat 来作为输入,解决输入端大量小文件的场景。
2.2. Map阶段
- 减少溢写(spill)次数:通过调整
io.sort.mb
增大环形缓冲区的大小;调整sort.spill.percent
减少溢写的频率,从而减少磁盘IO。 - 减少合并(merge)次数:通过调整
io.sort.factor
参数,增大触发合并的文件数目,减少合并的次数,从而缩短 mr 处理时间。 - 在不影响业务逻辑的前提下,先使用 Combiner 在 map 端进行一次合并,减少 I/O。
2.3. Reduce阶段
- 合理设置 map 和 reduce 的个数:两个都不能设置太少,也不能设置太多。太少,会导致 task 等待,延长处理时间;太多,会导致 map、reduce 任务间竞争资源,造成处理超时等错误。
- 设置 map、reduce 共存:调整
slowstart.completedmaps
参数,使 map 运行到一定程度后,reduce 也开始运行,减少 reduce 的等待时间。 - 规避使用 reduce:因为 reduce 阶段会通过网络去下载 map 运行的结果复制到 reduce 节点,造成大量的网络消耗。
- 合理设置 reduce 端的 buffer:默认情况下,从 map 端传输到 reduce 端放到 buffer 中的数据达到一个阙值的时候,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。
2.4. IO传输
- 启用数据压缩方式,减少网络 IO 的时间。常见的压缩方式 gzip,bzip2,LZO,Snappy。企业中多实用 LZO,Snappy,需要安装 LZO 和 Snappy 压缩编码器。
- 使用 Sequence File 二进制文件。
2.5. 数据倾斜问题
什么是数据倾斜?
- 数据倾斜现象:
数据频率倾斜——某一个区域的数据量要远远大于其他区域。
数据大小倾斜——部分记录大小远远大于平均值 - 如何收集倾斜数据
在reduce 方法中加入记录 map 输出键的详细情况的功能。
public static final String MAX_VALUES = "skew.maxvalues";
private int maxValueThreshold;
@Override
public void configure(JobConf job) {
maxValueThreshold = job.getInt(MAX_VALUES, 100);
}
@Override
public 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);
}
}
如何解决数据倾斜?
方法1:抽样和范围分区
可以通过对原始数据进行抽样得到的结果集来预设分区边界值。
方法2:自定义分区
可以自定义分区。例如:如果 map 输出键的单词来源于一本书。且其中某几个专业词汇比较多。那么就可以自定义分区将这些专业词汇发送给固定的一部分 reduce 实例。而将其他的都发送给剩余的 reduce 实例。
方法3:使用 Combiner
使用 Combiner 可以大量减少数据倾斜。在可能的情况下,combine 的目的就是聚合并精简数据。
方法4:采用 Map Join,尽量避免 Reduce Join
2.6. 常用的调优参数
以下参数是在用户自己的 mr 应用程序中就可以生效(mapred-default.xml)
配置参数 | 参数说明 |
maprecue.map.memory.mb | 一个 Map Task可使用的资源上限(单位:MB),默认 1024。如果 Map Task 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 Reduce Task 可使用的资源上限(单位:MB),默认 1024。如果 Reduce Task 实际使用的资源量超过该值,则会被强制杀死。 |
maprecue.map.cpu.vcores | 每个 Map Task 可使用的最多 cpu core 数目,默认值:1。 |
mapreduce.reduce.cpu.vcores | 每个 Reduce Task 可使用的最多 cpu core 数目,默认值:1。 |
mapreduce.reduce.shuffle.parallelcopies | 每个 reduce 去 map 中拿数据的并行数。默认值: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:0.66。 |
mapreduce.reduce.shuffle.input.buffer.percent | buffer 大小占 reduce 可用内存的比例。默认: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:0.0。 |
以下参数应该在 yarn 启动之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 1024 | 给应用程序 container 分配的最小内存 |
yarn.scheduler.maximum-allocation-mb 8192 | 给应用程序 container 分配的最大内存 |
yarn.scheduler.minimum-allocation-vcores 1 | 每个 container 申请的最小 CPU 核数 |
yarn.scheduler.maximum-allocation-vcores 32 | 每个 container 申请的最大 CPU 核数 |
yarn.nodemanager.resource.memory-mb 8192 | 给 nodemanager 分配的最大物理内存 |
以下是 shuffle 性能优化的关键参数,应在 yarn 启动之前就配置好(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 | 环形缓冲区溢出的阙值,默认:0.8 |
容错相关参数:
配置参数 | 参数说明 |
mapreduce.map.maxattempts | 每个 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.mapattempts | 每个 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,经常需要设置的一个参数,该参数表达的意思为:如果一个 task 在一定时间内没有任何进出,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,可能是卡住了,也许永远会卡住,为了防止用户程序永远 block 住不退出,则强制设置了一个超时时间(单位毫秒),默认是 600000。如果你的程序对每条输入数据的处理时间过长(比如会访问数据库,通过网络拉取数据等),建议该参数调大,该参数过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,这个当小文件比较多的时候,就会产生很多的索引文件,一方面大量占用 namenode 的内存空间,另一方面就是索引文件过大使索引速度变慢。
3.2. 解决方案
- 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,这样就减少了 namenode 的内存使用。 - Sequence File:
sequence file 由一系列二进制 key/value 组成,如果 key 为文件名,value 为文件内容,则可以将大批小文件合并成一个大文件。 - CombineTextInputFormat:
CombineTextInputFormat 是一种新的 inputformat,用于将多个文件从逻辑上合并成一个单独的切片,由一个 map task 处理。 - 开启 JVM 重用
对于大量小文件 Job,可以开启 JVM 重用会减少 45% 运行时间。
JVM 重用理解:一个 map 运行一个 jvm,重用的话,在一个 jvm 上运行完毕后,jvm 继续运行其他 map。
具体设置:mapreduce.job.jvm.numtasks
值在 10 ~ 20 之间。