Mapreduce参数调节

http://blog.javachen.com/2014/06/24/tuning-in-mapreduce/

本文主要记录Hadoop 2.x版本中MapReduce参数调优，不涉及Yarn的调优。

Hadoop的默认配置文件（以cdh5.0.1为例）：

• core-default.xml
• hdfs-default.xml
• mapred-default.xml

说明：

在hadoop2中有些参数名称过时了，例如原来的mapred.reduce.tasks改名为mapreduce.job.reduces了，当然，这两个参数你都可以使用，只是第一个参数过时了。

1. 操作系统调优

• 增大打开文件数据和网络连接上限，调整内核参数net.core.somaxconn，提高读写速度和网络带宽使用率
• 适当调整epoll的文件描述符上限，提高Hadoop RPC并发
• 关闭swap。如果进程内存不足，系统会将内存中的部分数据暂时写入磁盘，当需要时再将磁盘上的数据动态换置到内存中，这样会降低进程执行效率
• 增加预读缓存区大小。预读可以减少磁盘寻道次数和I/O等待时间
• 设置openfile

2. Hdfs参数调优

2.1 core-default.xml：

hadoop.tmp.dir：

• 默认值： /tmp
• 说明： 尽量手动配置这个选项，否则的话都默认存在了里系统的默认临时文件/tmp里。并且手动配置的时候，如果服务器是多磁盘的，每个磁盘都设置一个临时文件目录，这样便于mapreduce或者hdfs等使用的时候提高磁盘IO效率。

fs.trash.interval：

• 默认值： 0
• 说明： 这个是开启hdfs文件删除自动转移到垃圾箱的选项，值为垃圾箱文件清除时间。一般开启这个会比较好，以防错误删除重要文件。单位是分钟。

io.file.buffer.size：

• 默认值：4096
• 说明：SequenceFiles在读写中可以使用的缓存大小，可减少 I/O 次数。在大型的 Hadoop cluster，建议可设定为 65536 到 131072。

2.2 hdfs-default.xml：

dfs.blocksize：

• 默认值：134217728
• 说明： 这个就是hdfs里一个文件块的大小了，CDH5中默认128M。太大的话会有较少map同时计算，太小的话也浪费可用map个数资源，而且文件太小namenode就浪费内存多。根据需要进行设置。

dfs.namenode.handler.count：

• 默认值：10
• 说明：设定 namenode server threads 的数量，这些 threads 會用 RPC 跟其他的 datanodes 沟通。当 datanodes 数量太多时会发現很容易出現 RPC timeout，解決方法是提升网络速度或提高这个值，但要注意的是 thread 数量多也表示 namenode 消耗的内存也随着增加

3. MapReduce参数调优

包括以下节点：

• 合理设置槽位数目
• 调整心跳配置
• 磁盘块配置
• 设置RPC和线程数目
• 启用批量任务调度

3.1 mapred-default.xml：

mapred.reduce.tasks（mapreduce.job.reduces）：

• 默认值：1
• 说明：默认启动的reduce数。通过该参数可以手动修改reduce的个数。

mapreduce.task.io.sort.factor：

• 默认值：10
• 说明：Reduce Task中合并小文件时，一次合并的文件数据，每次合并的时候选择最小的前10进行合并。

mapreduce.task.io.sort.mb：

• 默认值：100
• 说明： Map Task缓冲区所占内存大小。

mapred.child.java.opts：

• 默认值：-Xmx200m
• 说明：jvm启动的子线程可以使用的最大内存。建议值-XX:-UseGCOverheadLimit -Xms512m -Xmx2048m -verbose:gc -Xloggc:/tmp/@taskid@.gc

mapreduce.jobtracker.handler.count：

• 默认值：10
• 说明：JobTracker可以启动的线程数，一般为tasktracker节点的4%。

mapreduce.reduce.shuffle.parallelcopies：

• 默认值：5
• 说明：reuduce shuffle阶段并行传输数据的数量。这里改为10。集群大可以增大。

mapreduce.tasktracker.http.threads：

• 默认值：40
• 说明：map和reduce是通过http进行数据传输的，这个是设置传输的并行线程数。

mapreduce.map.output.compress：

• 默认值：false
• 说明： map输出是否进行压缩，如果压缩就会多耗cpu，但是减少传输时间，如果不压缩，就需要较多的传输带宽。配合 mapreduce.map.output.compress.codec使用，默认是 org.apache.hadoop.io.compress.DefaultCodec，可以根据需要设定数据压缩方式。

mapreduce.reduce.shuffle.merge.percent：

• 默认值： 0.66
• 说明：reduce归并接收map的输出数据可占用的内存配置百分比。类似mapreduce.reduce.shuffle.input.buffer.percen属性。

mapreduce.reduce.shuffle.memory.limit.percent：

• 默认值： 0.25
• 说明：一个单一的shuffle的最大内存使用限制。

mapreduce.jobtracker.handler.count：

• 默认值： 10
• 说明：可并发处理来自tasktracker的RPC请求数，默认值10。

mapred.job.reuse.jvm.num.tasks（mapreduce.job.jvm.numtasks）：

• 默认值： 1
• 说明：一个jvm可连续启动多个同类型任务，默认值1，若为-1表示不受限制。

mapreduce.tasktracker.tasks.reduce.maximum：

• 默认值： 2
• 说明：一个tasktracker并发执行的reduce数，建议为cpu核数

4. 系统优化

4.1 避免排序

对于一些不需要排序的应用，比如hash join或者limit n，可以将排序变为可选环节，这样可以带来一些好处：

• 在Map Collect阶段，不再需要同时比较partition和key，只需要比较partition，并可以使用更快的计数排序（O(n)）代替快速排序（O(NlgN)）
• 在Map Combine阶段，不再需要进行归并排序，只需要按照字节合并数据块即可。
• 去掉排序之后，Shuffle和Reduce可同时进行，这样就消除了Reduce Task的屏障（所有数据拷贝完成之后才能执行reduce()函数）。

4.2 Shuffle阶段内部优化

1. Map端--用Netty代替Jetty
2. Reduce端--批拷贝
3. 将Shuffle阶段从Reduce Task中独立出来

5. 总结

在运行mapreduce任务中，经常调整的参数有：

• mapred.reduce.tasks：手动设置reduce个数
• mapreduce.map.output.compress：map输出结果是否压缩
  • mapreduce.map.output.compress.codec
• mapreduce.output.fileoutputformat.compress：job输出结果是否压缩
  • mapreduce.output.fileoutputformat.compress.type
  • mapreduce.output.fileoutputformat.compress.codec