第8章、MapReduce 生产经验

8.1 MapReduce 跑的慢的原因

MapReduce 程序效率的瓶颈在于两点：
1）计算机性能
CPU、内存、磁盘、网络
2）I/O 操作优化
（1）数据倾斜
（2）Map 运行时间太长，导致 Reduce 等待过久
（3）小文件过多

8.2 MapReduce 常用调优参数

8.2.1 Map阶段调优

1）自定义分区，减少数据倾斜;
定义类，继承Partitioner接口，重写getPartition方法
2）减少溢写的次数
mapreduce.task.io.sort.mb
Shuffle的环形缓冲区大小，默认100m，可以提高到200m
mapreduce.map.sort.spill.percent
环形缓冲区溢出的阈值，默认80% ，可以提高的90%
3）增加每次Merge合并次数
mapreduce.task.io.sort.factor默认10，可以提高到20（内存要求较高，如果内存不够，还需要调小）
4）在不影响业务结果的前提条件下可以提前采用Combiner
job.setCombinerClass(xxxReducer.class);
5）为了减少磁盘IO，可以采用Snappy或者LZO压缩
conf.setBoolean(“mapreduce.map.output.compress”, true);
conf.setClass(“mapreduce.map.output.compress.codec”,
SnappyCodec.class,CompressionCodec.class);（企业常用Snappy压缩）
6）mapreduce.map.memory.mb 默认MapTask内存上限1024MB。
可以根据128m数据对应1G内存原则提高该内存。
7）mapreduce.map.java.opts：控制MapTask堆内存大小。（如果内存不够，报：java.lang.OutOfMemoryError）
8）mapreduce.map.cpu.vcores 默认MapTask的CPU核数1。计算密集型任务可以增加CPU核数
9）异常重试
mapreduce.map.maxattempts每个Map Task最大重试次数，一旦重试次数超过该值，则认为Map Task运行失败，默认值：4。根据机器性能适当提高。

8.2.2 Reduce阶段调优

1）mapreduce.reduce.shuffle.parallelcopies每个Reduce去Map中拉取数据的并行数，默认值是5。可以提高到10。
2）mapreduce.reduce.shuffle.input.buffer.percent
Buffer大小占Reduce可用内存的比例，默认值0.7。可以提高到0.8
3）mapreduce.reduce.shuffle.merge.percent Buffer中的数据达到多少比例开始写入磁盘，默认值0.66。可以提高到0.75
4）mapreduce.reduce.memory.mb 默认ReduceTask内存上限1024MB，根据128m数据对应1G内存原则，适当提高内存到4-6G
5）mapreduce.reduce.java.opts：控制ReduceTask堆内存大小。（如果内存不够，报：java.lang.OutOfMemoryError）
6）mapreduce.reduce.cpu.vcores默认ReduceTask的CPU核数1个。可以提高到2-4个。
7）mapreduce.reduce.maxattempts每个Reduce Task最大重试次数，一旦重试次数超过该值，则认为Map Task运行失败，默认值：4。
8）mapreduce.job.reduce.slowstart.completedmaps当MapTask完成的比例达到该值后才会为ReduceTask申请资源。默认是0.05。
9）mapreduce.task.timeout如果一个Task在一定时间内没有任何进入，即不会读取新的数据，也没有输出数据，则认为该Task处于Block状态，可能是卡住了，也许永远会卡住，为了防止因为用户程序永远Block住不退出，则强制设置了一个该超时时间（单位毫秒），默认是600000（10分钟）。如果你的程序对每条输入数据的处理时间过长，建议将该参数调大。
10）如果可以不用Reduce，尽可能不用

8.3 MapReduce数据倾斜

1）数据倾斜现象

数据频率倾斜—某一个区域的数据量要远远大于其他区域
数据大小倾斜—部分记录的大小远远大于平均值
如下图，99%的数据已经运行完成，Reducer3、Reducer4仍然在运行，这就是数据倾斜的一个体现

2）减少数据倾斜的方法

（1）首先检查是否空值过多造成的数据倾斜
在生产环境中，可以直接过滤掉空值；如果想保留控制，就自定义分区，将空值加上随机数打散，最后再二次聚合。
（2）能在map阶段提前处理，最好在map阶段处理。如：Combiner、MapJoin
（3）设置多个reduce个数