Hadoop优化

MapReduce程序瓶颈

计算机性能

CPU、内存、磁盘、网络

I/O操作优化

• 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
• spill次数过多
• merge次数过多

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

数据输入

1. 合并小文件：在执行任务前，将小文件合并，大量的小文件会产生大量的Map任务
2. 采用CombineTextInputFormat作为输入，解决输入端大量小文件场景

Map阶段

1. 减少溢写spill次数：通过调整io.sort.mb以及sort.spill.percent参数值，增大出发spill的内存上限，减少spill次数，减少IO开销
2. 减少合并merge次数：通过调整io.sort.factor参数，增大merge的文件数目，减少merge次数，缩短Map处理时间
3. 不影响业务逻辑情况下，采用combiner，减少网络开销

Reduce阶段

1. 合理设置Map和Reduce数：两个不能设置太少或太多。太少，会导致Task等待，延长处理时间；太多，会导致Map、Reduce任务竞争资源，造成处理超时
2. 设置Map、Reduce共存：调整slowstart.completemaps参数，使map运行到一定程度后，Reduce也能运行，减少Reduce的等待时间
3. 规避使用Reduce：Reduce使用数据集时，会产生大量网络开销

IO传输

1. 采取数据压缩，减少IO传输时间
2. 使用SequenceFile二进制文件

数据倾斜

数据频率倾斜现象：某一个区域的数据量远远大于其他区域

数据大小倾斜现象：部分记录的大小远远大于平均值

1. 抽样和范围分区：通过对原始数据抽样得到的结果来预设分区边界值
2. 自定义分区：编程解决分区造成的数据倾斜
3. Combine可以大量减小数据倾斜
4. 尽量使用map join，避免使用reduce join

HDFS小文件优化方法

HDFS上每个文件都要在NameNode建立一个索引，如果小文件过多，就会产生很多索引文件，一方面大量占用NameNode的内存空间，另一个方面造成索引速度变慢

解决方法

1. 在数据采集时，将小文件合并为大文件，再上传给HDFS
2. 业务处理之前，使用MapReduce把小文件合并起来
3. 使用CombineTextInputFormat提高效率