Hadoop优化

一、影响MR程序效率的因素

　　1.计算机性能：

　　CPU、内存、磁盘、网络，

　　计算机的性能会影响MR程序的速度与效率

　　2.I/O方面

　　　1）数据倾斜（代码优化）

　　　2）map和reduce数量设置不合理(通过配置文件后代码中设置)

　　　3）map运行时间过长，导致reduce等待时间过长

　　　4）小文件过多（浪费元数据资源，CombineTextInputFormat）

　　　5）不可分快的超大文件（不断溢写）

　　　6）多个溢写小文件需要多次合并。

二、MR的优化方法

　　MR优化的六个方面：数据输入、map阶段、reduce阶段、IO传输、数据倾斜、参数调优

　　1.数据输入

　　　　1）合并小文件：在执行mr任务前就进行小文件合并

　　　　2）采用CombineTextInputFormat来作为输入，解决输入端大量小文件的场景

　　　　MR程序不适合处理大量小文件

　　2.Map阶段

　　　　1）减少溢写次数：

　　　　//修改内存大小：mapreduce.task.io.sort.mb

　　　　//修改默认溢写百分百：mapreduce.mps.sort.spill.percent

　　　　2）减少合并次数

　　　　//mapreduce.task.io.sort.factor，将merge值增大

　　　　3）在shuffle阶段不影响业务逻辑情况下使用Combiner

　　3.Reduce阶段

　　　　1）设置合理的map与reduce个数

　　　　//map可以通过文件切块的大小，或小文件合并改变maptask数量

　　　　//reduce通过分区partitioner，setNumReduceTasks改变reducetask数量

　　　　2）设置map/reduce共存

　　　//即map允许到一定程度后，启动reduce减少reduce的等待时间

　　　//mapreduce.job.reduce.slowstart.completedfmaps(参数越小reduce等待时间越少)

　　　//合理设置reduce端的buffer：mapreduce.reduce.markreset.buffer.percent

　　4.数据传输

　　　　1）数据压缩

　　　　2）使用SequenceFile，它是二进制文件，使字节之间紧密度更高，提高效率。

　　5.数据倾斜

　　　　1）进行范围分区

　　　　2）自定义分区

　　　　3）Combiner

　　　　4）能用map join坚决不用reduce join

　　6.参数调优

　　　　1）CPU

　　　　//程序map阶段默认使用cpu核心数量：mapreduce.map.cpu.vcores

　　　　　//程序reduce阶段more使用cpu核心数量：mapreduce.reduce.cpu.vcores

　　　　2）内存

　　　　//一个maptask可以使用的最大内存：mapreduce.map.memory.mb

　　　　//一个reducetask可以使用的最大内存：mapredcue.reduce.memory.mb

　　　　3）并行度

　　　　//reduce去map端拿数据时的并行度：mapreduce.reduce.shuffle.parallelcopies