2023學(xué)年完整公開課版Hadoop企業(yè)優(yōu)化

MapReduce跑的慢的原因Mapreduce程序效率的瓶頸在于兩點(diǎn)：

1計(jì)算機(jī)性能

CPU、內(nèi)存、磁盤健康、網(wǎng)絡(luò)2I/O操作優(yōu)化

1）數(shù)據(jù)傾斜

2）map和reduce數(shù)設(shè)置不合理

3）map運(yùn)行時(shí)間太長，導(dǎo)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(shù)過多

7）merge次數(shù)過多等MapReduce優(yōu)化方法MapReduce優(yōu)化方法主要從六個(gè)方面考慮：數(shù)據(jù)輸入、Map階段、Reduce階段、IO傳輸、數(shù)據(jù)傾斜問題和常用的調(diào)優(yōu)參數(shù)。1數(shù)據(jù)輸入

（1）合并小文件：在執(zhí)行mr任務(wù)前將小文件進(jìn)行合并，大量的小文件會產(chǎn)生大量的

map任務(wù)，增大map任務(wù)裝載次數(shù)，而任務(wù)的裝載比較耗時(shí)，從而導(dǎo)致mr運(yùn)行較慢。（2）采用CombineTextInputFormat來作為輸入，解決輸入端大量小文件場景。2Map階段

（1）減少溢寫（spill）次數(shù)：通過調(diào)整io.sort.mb及sort.spill.percent參數(shù)值，增大觸發(fā)spill的內(nèi)存上限，減少spill次數(shù)，從而減少磁盤IO。（2）減少合并（merge）次數(shù)：通過調(diào)整io.sort.factor參數(shù)，增大merge的文件數(shù)目，減少merge的次數(shù)，從而縮短mr處理時(shí)間。（3）在map之后，不影響業(yè)務(wù)邏輯前提下，先進(jìn)行combine處理，減少I/O。3IO傳輸

（1）采用數(shù)據(jù)壓縮的方式，減少網(wǎng)絡(luò)IO的的時(shí)間。安裝Snappy和LZO壓縮編碼器。（2）使用SequenceFile二進(jìn)制文件。MapReduce優(yōu)化方法4Reduce階段

（1）合理設(shè)置map和reduce數(shù)：兩個(gè)都不能設(shè)置太少，也不能設(shè)置太多。太少，會導(dǎo)致task等待，延長處理時(shí)間；太多，會導(dǎo)致map、reduce任務(wù)間競爭資源，造成處理超時(shí)等錯(cuò)誤。（2）設(shè)置map、reduce共存：調(diào)整pletedmaps參數(shù)，使map運(yùn)行到一定程度后，reduce也開始運(yùn)行，減少reduce的等待時(shí)間。（3）規(guī)避使用reduce：因?yàn)閞educe在用于連接數(shù)據(jù)集的時(shí)候?qū)a(chǎn)生大量的網(wǎng)絡(luò)消耗。（4）合理設(shè)置reduce端的buffer：默認(rèn)情況下，數(shù)據(jù)達(dá)到一個(gè)閾值的時(shí)候，buffer中的數(shù)據(jù)就會寫入磁盤，然后reduce會從磁盤中獲得所有的數(shù)據(jù)。也就是說，buffer和reduce是沒有直接關(guān)聯(lián)的，中間多個(gè)一個(gè)寫磁盤->讀磁盤的過程，既然有這個(gè)弊端，那么就可以通過參數(shù)來配置，使得buffer中的一部分?jǐn)?shù)據(jù)可以直接輸送到reduce，從而減少IO開銷：mapred.job.reduce.input.buffer.percent，默認(rèn)為0.0。當(dāng)值大于0的時(shí)候，會保留指定比例的內(nèi)存讀buffer中的數(shù)據(jù)直接拿給reduce使用。這樣一來，設(shè)置buffer需要內(nèi)存，讀取數(shù)據(jù)需要內(nèi)存，reduce計(jì)算也要內(nèi)存，所以要根據(jù)作業(yè)的運(yùn)行情況進(jìn)行調(diào)整。5數(shù)據(jù)傾斜問題

（1）數(shù)據(jù)傾斜現(xiàn)象

數(shù)據(jù)頻率傾斜——某一個(gè)區(qū)域的數(shù)據(jù)量要遠(yuǎn)遠(yuǎn)大于其他區(qū)域。

數(shù)據(jù)大小傾斜——部分記錄的大小遠(yuǎn)遠(yuǎn)大于平均值。（2）如何收集傾斜數(shù)據(jù)在reduce方法中加入記錄map輸出鍵的詳細(xì)情況的功能。MapReduce優(yōu)化方法（3）減少數(shù)據(jù)傾斜的方法

方法1：抽樣和范圍分區(qū)

可以通過對原始數(shù)據(jù)進(jìn)行抽樣得到的結(jié)果集來預(yù)設(shè)分區(qū)邊界值。方法2：自定義分區(qū)基于輸出鍵的背景知識進(jìn)行自定義分區(qū)。例如，如果map輸出鍵的單詞來源于一本書。且其中某幾個(gè)專業(yè)詞匯較多。那么就可以自定義分區(qū)將這這些專業(yè)詞匯發(fā)送給固定的一部分reduce實(shí)例。而將其他的都發(fā)送給剩余的reduce實(shí)例。方法3：Combine

使用Combine可以大量地減小數(shù)據(jù)傾斜。在可能的情況下，combine的目的就是聚合并精簡數(shù)據(jù)。方法4：采用MapJoin，盡量避免ReduceJoin。HDFS小文件優(yōu)化方法1HDFS小文件弊端HDFS上每個(gè)文件都要在namenode上建立一個(gè)索引，這個(gè)索引的大小約為150byte，這樣當(dāng)小文件比較多的時(shí)候，就會產(chǎn)生很多的索引文件，一方面會大量占用namenode的內(nèi)存空間，另一方面就是索引文件過大是的索引速度變慢。2解決方案

（1）HadoopArchive:

是一個(gè)高效地將小文件放入HDFS塊中的文件存檔工具，它能夠?qū)⒍鄠€(gè)小文件打包成一個(gè)HAR文件，這樣就減少了namenode的內(nèi)存使用。（2）Sequencefile：

sequencefile由一系列的二進(jìn)制key/value組成，如果key為文件名，value為文件內(nèi)容，則可以將大批小文件合并成一個(gè)大文件。（3）CombineFileInputFormat：

CombineFileInputFormat是一種新的inputformat，用于將多個(gè)文件合并成一個(gè)單獨(dú)的split，另外，它會考慮數(shù)據(jù)的存儲位置。（4）開啟JVM重用對于大量小文件Job，可以開啟JVM重用會減少45%運(yùn)行時(shí)間。

JVM