首页 > 其他分享 >MapReduce性能优化秘籍

MapReduce性能优化秘籍

时间:2023-10-25 19:08:38浏览次数:34  
标签:map 秘籍 buffer reduce MapReduce mapreduce 参数 文件 优化


1. MapReduce跑的慢的原因

MapReduce 程序效率的瓶颈在于两点:

  1. 计算机性能
    CPU、内存、磁盘、网络
  2. I/O 操作
  1. 数据倾斜
  2. map 和 reduce 数设置不合理
  3. map 运行时间太长,导致 reduce 等待过久
  4. 小文件过多
  5. 大量的不可分块的超大文件(例:通过 gzip 压缩后的文件)
  6. spill(溢写)次数过多
  7. 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
  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,这样就减少了 namenode 的内存使用。
  2. 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。
  3. 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。
  4. 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。


标签:map,秘籍,buffer,reduce,MapReduce,mapreduce,参数,文件,优化
From: https://blog.51cto.com/u_14655640/8023691

相关文章

  • MapReduce自定义GroupingComparator
    需求:有如下订单明细数据0000001 01 222.80000002 06 722.40000001 05 25.80000003 01 222.80000003 01 33.80000002 03 522.80000002 04 122.4第一列是订单编号,第二列是商品id,第三列是商品金额,列与列之间用制表符分隔。现在需要求出每一个订单中最贵的商品。思路:将订单id和商......
  • RTSP视频流媒体服务器LiteCVR v3.1更新:通道收藏优化
    在安防视频监控行业,监控摄像头也正从"看得见"到"看得清"开始转变,现在的网络智能摄像头,不仅可以拥有高清超高清的监控画质,还能对记录的视频中的人或物体进行识别。近期我们对LiteCVR增加了普通用户的收藏功能,今天来简单介绍一下。在LiteCVRv3.1版本之前,普通用户只能查看分配给自己......
  • Unity游戏排行榜的制作与优化
    游戏排行榜是一个很重要的功能,在弱联网的单机游戏与网络游戏中排行榜都是非常重要的,今天我们来详细的讲解游戏排行榜的制作方案,主要有4个点:  游戏排行榜排序核心算法的实现 排序在游戏开发中是一种十分重要的算法,特别是对于海量的数据,高效的排序算法,是核心与关键,排行......
  • RTSP视频监控平台LiteCVR v3.1更新:通道收藏优化
    在安防视频监控行业,监控摄像头也正从"看得见"到"看得清"开始转变,现在的网络智能摄像头,不仅可以拥有高清超高清的监控画质,还能对记录的视频中的人或物体进行识别。近期我们对LiteCVR增加了普通用户的收藏功能,今天来简单介绍一下。在LiteCVRv3.1版本之前,普通用户只能查看分配给......
  • uni-app开发跨端小程序包过大优化
    以微信小程序为例:一:避免使用大图图片压缩之后使用,避免大图,必要时可以使用雪碧图或者svg,图片上传远程服务器,不占用本地资源包。二:分包处理微信小程序单包不超过2M,最多10个包。合理分包,将文件放到合适的地方。除一级页面入口放到主包,剩余页面逻辑都可以拆分成分包的形式。注意:除分......
  • 火山引擎 LAS Spark 升级:揭秘 Bucket 优化技术
    更多技术交流、求职机会,欢迎关注字节跳动数据平台微信公众号,回复【1】进入官方交流群文章介绍了Bucket优化技术及其在实际业务中的应用,包括SparkBucket的基本原理,重点阐述了火山引擎湖仓一体分析服务LAS(下文以LAS指代)Spark对Bucket优化的功能增强,实现了Bucket易......
  • 大模型训练中CPU与GPU使用率的优化策略
    随着深度学习和人工智能的快速发展,训练模型的需求不断增加。然而,在实践中,我们经常遇到一个令人困扰的问题:当训练模型时,CPU经常达到100%的使用率,但GPU使用率却仅仅维持在5%左右。这种不均衡的使用情况导致了训练过程的缓慢,甚至可能影响模型的准确性。在了解这个问题之前,我们需要先了......
  • 分布式锁优化(基于redisson实现)
    基于setnx实现的分布式锁存在下面的问题:1.不可重入同一个线程无法多次获取同一把锁2.不可重试获取锁只尝试一次就返回false,没有重试机制3.超时释放锁超时释放虽然可以避免死锁,但如果是业务执行耗时较长,也会导致锁释放,存在安全隐患4.主从一致性(主写从读)如果Redis提供了主从集群,主......
  • 关于斜率优化的一些杂谈
    这里并不是在详细地介绍斜率优化,只是一些瞎扯,想真正系统学习斜率优化的话请去阅读其他文章。斜率优化是众多dp优化方式中较为常见的一种,让我们不妨回忆一下它的形式:\[dp(i)=\min/\max(a(i)\timesb(j)+c(i)+d(j)+C)\]上式中,\(a,b,c,d\)分别为只跟\(i\)或\(j\)相关的函数......
  • pjsip内存优化及提升视频呼叫并发数
      工作上的一个上层调度台应用(Windows7),业务功能上有并发调取多个视频的需求,发现调取30左右路D1视频后会导致崩溃,日志提示:except.c !!!FATAL:unhandledexceptionPJLIB/Nomemory!,内存不足,在开发环境下验证发现内存占用已经达到2G以上(32位程序默认最高给2G内存,通过配置能......