MapReduce 優化方法主要以下幾個方面考慮：數據輸入、Map 階段、Reduce階段、IO 傳輸、數據傾斜問題和常用的調優參數。 [TOC] # 1. 數據輸入 合并小文件：在執行 mr 任務前將小文件進行合并，大量的小文件會產生大量的 map 任務，增大 map 任務裝載次數，而任務的裝載比較耗時，從而導致mr 運行較慢。 <br/> # 2. Map 階段 1. 減少溢寫（spill）次數：通過調整 `io.sort.mb` 及 `sort.spill.percent`參數值，增大觸發 spill 的內存上限，減少 spill 次數，從而減少磁盤 IO。 2. 減少合并（merge）次數：通過調整 `io.sort.factor` 參數，增大 merge 的文件數目，減少 merge 的次數，從而縮短 mr 處理時間。 3. 在 map 之后，不影響業務邏輯前提下，先進行 combine 處理，減少 I/O。 <br/> # 3. Reduce 階段 1. 合理設置 map 和 reduce 數：兩個都不能設置太少，也不能設置太多。太少，會導致 task 等待，延長處理時間；太多，會導致 map、reduce 任務間競爭資源，造成處理超時等錯誤。 2. 設置 map、reduce 共存：調整 `slowstart.completedmaps` 參數，使 map 運行到一定程度后，reduce 也開始運行，減少 reduce 的等待時間。 3. 使用 reduce：因為 reduce 在用于搜集數據集的時候將會產生大量的網絡消耗。 4. 合理設置 reduce 端的 buffer：默認情況下，數據達到一個閾值的時候，buffer中的數據就會寫入磁盤，然后 reduce 會從磁盤中獲得所有的數據。也就是說，buffer 和reduce 是沒有直接關聯的，中間多個一個寫磁盤->讀磁盤的過程，既然有這個弊端，那么就可以通過參數來配置，使得 buffer 中的一部分數據可以直接輸送到reduce，從而減少IO開銷：`mapred.job.reduce.input.buffer.percent`，默認為0.0。當值大于0的時候，會保留指定比例的內存讀buffer中的數據直接拿給reduce使用。這樣一來，設置 buffer 需要內存，讀取數據需要內存，reduce 計算也要內存，所以要根據作業的運行情況進行調整。 <br/> # 4. 數據傾斜問題 1. 數據傾斜現象 數據頻率傾斜——某一個區域的數據量要遠遠大于其他區域。 數據大小傾斜——部分記錄的大小遠遠大于平均值。 2. 如何收集傾斜數據 在 reduce 方法中加入記錄 map 輸出鍵的詳細情況的功能。 ```java 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); } } ``` 3. 減少數據傾斜的方法 方法 1：抽樣和范圍分區 可以通過對原始數據進行抽樣得到的結果集來預設分區邊界值。 方法 2：自定義分區 基于輸出鍵的背景知識進行自定義分區。例如，如果 map 輸出鍵的單詞來源于一本書。且其中某幾個專業詞匯較多。那么就可以自定義分區將這這些專業詞匯發送給固定的一部分 reduce 實例。而將其他的都發送給剩余的 reduce 實例。 方法 3：Combine 使用 Combine 可以大量地減小數據傾斜。在可能的情況下，combine 的目的就是提前聚合并精簡數據。 方法 4：采用 Map Join，盡量避免 Reduce Join。 <br/> # 5. 常用的調優參數 1. **資源相關參數** （ 1 ）以下參數是在用戶自己的 mr 應用程序中配置就可以生效（mapred-default.xml）。 | 配置參數 | 參數說明 | | --- | --- | | `mapreduce.map.memory.mb` | 一個 Map Task 可使用的資源上限（單位:MB），默認為 1024。如果 Map Task實際使用的資源量超過該值，則會被強制殺死。 | | `mapreduce.reduce.memory.mb` | 一個ReduceTask可使用的資源上限（單位:MB），默認為1024。如果ReduceTask實際使用的資源量超過該值，則會被強制殺死。 | | `mapreduce.map.cpu.vcores` | 每個 Map task 可使用的最多 cpu core數目，默認值: 1 | | `mapreduce.reduce.cpu.vcores` | 每個 Reduce task 可使用的最多 cpu core 數目，默認值: 1 | | `mapreduce.reduce.shuffle.parallelcopies` | 每個 reduce 去 map 中拿數據的并行數。默認值是 5 | | `mapreduce.reduce.shuffle.merge.percent` | buffer 中的數據達到多少比例開始寫入磁盤。默認值 0.66 | |`mapreduce.reduce.shuffle.input.buffer.percent` | buffer 大小占 reduce 可用內存的比例。默認值 0.7 | | `mapreduce.reduce.input.buffer.percent` | 指定多少比例的內存用來存放 buffer中的數據，默認值是 0.0 | （ 2 ） 應 該 在 yarn 啟 動 之 前 就 配 置 在 服 務 器 的 配 置 文 件 中 才 能 生 效（yarn-default.xml）。 | 配置參數 | 參數說明 | | --- | --- | | `yarn.scheduler.minimum-allocation-mb` | 給應用程序 container 分配的最小內存, 默認1024MB | | `yarn.scheduler.maximum-allocation-mb` | 給應用程序 container 分配的最大內存, 默認8192MB | | `yarn.scheduler.minimum-allocation-vcores` | 每個 container 申請的最小 CPU 核數, 默認為1 | | `yarn.scheduler.maximum-allocation-vcores` | 每個 container 申請的最大 CPU 核數, 默認32 | | `yarn.nodemanager.resource.memory-mb` | 給 containers 分配的最大物理內存, 默認8192MB | （ 3 ） shuffle 性 能 優化 的 關 鍵 參 數 ， 應在 yarn 啟動 之 前 就配 置 好（mapred-default.xml）。 | 配置參數 | 參數說明 | | --- | --- | | `mapreduce.task.io.sort.mb` | shuffle 的環形緩沖區大小，默認100m | | `mapreduce.map.sort.spill.percent` | 環形緩沖區溢出的閾值，默認80%，即0.8 | 2. **容錯相關參數(mapreduce 性能優化)** | 配置參數 | 參數說明 | | --- | --- | | `mapreduce.map.maxattempts` | 每個 Map Task 最大重試次數，一旦重試參數超過該值，則認為 Map Task 運行失敗，默認值：4。 | | `mapreduce.reduce.maxattempts` | 每個 Reduce Task 最大重試次數，一旦重試參數超過該值，則認為 Map Task 運行失敗，默認值：4。 | | `mapreduce.task.timeout` | Task 超時時間，經常需要設置的一個參數，該參數表達的意思為：如果一個 task 在一定時間內沒有任何進入，即不會讀取新的數據，也沒有輸出數據，則認為該 task 處于 block 狀態，可能是卡住了，也許永遠會卡主，為了防止因為用戶程序永遠 block 住不退出，則強制設置了一個該超時時間（單位毫秒），默認是600000。如果你的程序對每條輸入數據的處理時間過長（比如會訪問數據庫，通過網絡拉取數據等），建議將該參數調大，該參數過小常出現的錯誤提示是AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster. |