Hadoop基准测试工具
转载原文：http://jeoygin.org/2012/12/hadoop-benchmarks.html
测试对于验证系统的正确性、分析系统的性能来说非常重要，但往往容易被我们所忽视。为了能对系统有更全面的了解、能找到系统的瓶颈所在、能对系统性能做更好的改进，打算先从测试入手，学习Hadoop几种主要的测试手段。本文将分成两部分：第一部分记录如何使用Hadoop自带的测试工具进行测试；第二部分记录Intel开放的Hadoop Benchmark Suit: HiBench的安装及使用。
1. Hadoop基准测试
Hadoop自带了几个基准测试，被打包在几个jar包中，如hadoop-test.jar和hadoop-examples.jar，在Hadoop环境中可以很方便地运行测试。本文测试使用的Hadoop版本是cloudera的hadoop-0.20.2-cdh3u3。
在测试前，先设置好环境变量：
$ export $HADOOP_HOME=/home/hadoop/hadoop
$ export $PATH=$PATH:$HADOOP_HOME/bin
使用以下命令就可以调用jar包中的类：
$ hadoop jar $HADOOP_HOME/xxx.jar
(1). Hadoop Test
当不带参数调用hadoop-test-0.20.2-cdh3u3.jar时，会列出所有的测试程序：
$ hadoop jar $HADOOP_HOME/hadoop-test-0.20.2-cdh3u3.jar
An example program must be given as the first argument.
Valid program names are:
DFSCIOTest: Distributed i/o benchmark of libhdfs.
DistributedFSCheck: Distributed checkup of the file system consistency.
MRReliabilityTest: A program that tests the reliability of the MR framework by injecting faults/failures
TestDFSIO: Distributed i/o benchmark.
dfsthroughput: measure hdfs throughput
filebench: Benchmark SequenceFile(Input|Output)Format (block,record compressed and uncompressed), Text(Input|Output)Format (compressed and uncompressed)
loadgen: Generic map/reduce load generator
mapredtest: A map/reduce test check.
minicluster: Single process HDFS and MR cluster.
mrbench: A map/reduce benchmark that can create many small jobs
nnbench: A benchmark that stresses the namenode.
testarrayfile: A test for flat files of binary key/value pairs.
testbigmapoutput: A map/reduce program that works on a very big non-splittable file and does identity map/reduce
testfilesystem: A test for FileSystem read/write.
testipc: A test for ipc.
testmapredsort: A map/reduce program that validates the map-reduce framework's sort.
testrpc: A test for rpc.
testsequencefile: A test for flat files of binary key value pairs.
testsequencefileinputformat: A test for sequence file input format.
testsetfile: A test for flat files of binary key/value pairs.
testtextinputformat: A test for text input format.
threadedmapbench: A map/reduce benchmark that compares the performance of maps with multiple spills over maps with 1 spill
这些程序从多个角度对Hadoop进行测试，TestDFSIO、mrbench和nnbench是三个广泛被使用的测试。
TestDFSIO
TestDFSIO用于测试HDFS的IO性能，使用一个MapReduce作业来并发地执行读写操作，每个map任务用于读或写每个文件，map的输出用于收集与处理文件相关的统计信息，reduce用于累积统计信息，并产生summary。TestDFSIO的用法如下：
1
|
TestDFSIO.0.0.6
Usage: TestDFSIO [genericOptions] -read | -write | -append | -clean [-nrFiles N] [-fileSize Size[B|KB|MB|GB|TB]] [-resFile resultFileName] [-bufferSize Bytes] [-rootDir]
|
以下的例子将往HDFS中写入10个1000MB的文件：
$ hadoop jar $HADOOP_HOME/hadoop-test-0.20.2-cdh3u3.jar TestDFSIO \
-write -nrFiles 10 -fileSize 1000
结果将会写到一个本地文件TestDFSIO_results.log：
1
|
----- TestDFSIO ----- : write
Date & time: Mon Dec 10 11:11:15 CST 2012
Number of files: 10
Total MBytes processed: 10000.0
Throughput mb/sec: 3.5158047729862436
Average IO rate mb/sec: 3.5290374755859375
IO rate std deviation: 0.22884063705950305
Test exec time sec: 316.615
|
以下的例子将从HDFS中读取10个1000MB的文件：
1
|
$ hadoop jar $HADOOP_HOME/hadoop-test-0.20.2-cdh3u3.jar TestDFSIO \
-read -nrFiles 10 -fileSize 1000
|
结果将会写到一个本地文件TestDFSIO_results.log：
1
|
----- TestDFSIO ----- : read
Date & time: Mon Dec 10 11:21:17 CST 2012
Number of files: 10
Total MBytes processed: 10000.0
Throughput mb/sec: 255.8002711482874
Average IO rate mb/sec: 257.1685791015625
IO rate std deviation: 19.514058659935184
Test exec time sec: 18.459
|
使用以下命令删除测试数据：
$ hadoop jar $HADOOP_HOME/hadoop-test-0.20.2-cdh3u3.jar TestDFSIO -clean
nnbench
nnbench用于测试NameNode的负载，它会生成很多与HDFS相关的请求，给NameNode施加较大的压力。这个测试能在HDFS上模拟创建、读取、重命名和删除文件等操作。nnbench的用法如下：
1
|
NameNode Benchmark 0.4
Usage: nnbench |
以下例子使用12个mapper和6个reducer来创建1000个文件：
1
|
$ hadoop jar $HADOOP_HOME/hadoop-test-0.20.2-cdh3u3.jar nnbench \
-operation create_write -maps 12 -reduces 6 -blockSize 1 \
-bytesToWrite 0 -numberOfFiles 1000 -replicationFactorPerFile 3 \
-readFileAfterOpen true -baseDir /benchmarks/NNBench-`hostname -s`
|
mrbench
mrbench会多次重复执行一个小作业，用于检查在机群上小作业的运行是否可重复以及运行是否高效。mrbench的用法如下：
1
|
MRBenchmark.0.0.2
Usage: mrbench [-baseDir |
以下例子会运行一个小作业50次：
$ hadoop jar $HADOOP_HOME/hadoop-test-0.20.2-cdh3u3.jar mrbench -numRuns 50
运行结果如下所示：
1
|
DataLines Maps Reduces AvgTime (milliseconds)
1 2 1 14237
|
以上结果表示平均作业完成时间是14秒。
(2). Hadoop Examples
除了上文提到的测试，Hadoop还自带了一些例子，比如WordCount和TeraSort，这些例子在hadoop-examples-0.20.2-cdh3u3.jar中。执行以下命令会列出所有的示例程序：
1
|
$ hadoop jar $HADOOP_HOME/hadoop-examples-0.20.2-cdh3u3.jar
An example program must be given as the first argument.
Valid program names are:
aggregatewordcount: An Aggregate based map/reduce program that counts the words in the input files.
aggregatewordhist: An Aggregate based map/reduce program that computes the histogram of the words in the input files.
dbcount: An example job that count the pageview counts from a database.
grep: A map/reduce program that counts the matches of a regex in the input.
join: A job that effects a join over sorted, equally partitioned datasets
multifilewc: A job that counts words from several files.
pentomino: A map/reduce tile laying program to find solutions to pentomino problems.
pi: A map/reduce program that estimates Pi using monte-carlo method.
randomtextwriter: A map/reduce program that writes 10GB of random textual data per node.
randomwriter: A map/reduce program that writes 10GB of random data per node.
secondarysort: An example defining a secondary sort to the reduce.
sleep: A job that sleeps at each map and reduce task.
sort: A map/reduce program that sorts the data written by the random writer.
sudoku: A sudoku solver.
teragen: Generate data for the terasort
terasort: Run the terasort
teravalidate: Checking results of terasort
wordcount: A map/reduce program that counts the words in the input files.
|
WordCount在 Running Hadoop On CentOS (Single-Node Cluster) 一文中已有介绍，这里就不再赘述。
TeraSort
一个完整的TeraSort测试需要按以下三步执行：
- 用TeraGen生成随机数据
- 对输入数据运行TeraSort
- 用TeraValidate验证排好序的输出数据
并不需要在每次测试时都生成输入数据，生成一次数据之后，每次测试可以跳过第一步。
TeraGen的用法如下：
$ hadoop jar hadoop-*examples*.jar teragen 以下命令运行TeraGen生成1GB的输入数据，并输出到目录/examples/terasort-input：
$ hadoop jar $HADOOP_HOME/hadoop-examples-0.20.2-cdh3u3.jar teragen \
10000000 /examples/terasort-input
TeraGen产生的数据每行的格式如下：
<10 bytes key><10 bytes rowid><78 bytes filler>\r\n
其中：
- key是一些随机字符，每个字符的ASCII码取值范围为[32, 126]
- rowid是一个整数，右对齐
- filler由7组字符组成，每组有10个字符（最后一组8个），字符从’A’到’Z’依次取值
以下命令运行TeraSort对数据进行排序，并将结果输出到目录/examples/terasort-output：
$ hadoop jar $HADOOP_HOME/hadoop-examples-0.20.2-cdh3u3.jar terasort \
/examples/terasort-input /examples/terasort-output
以下命令运行TeraValidate来验证TeraSort输出的数据是否有序，如果检测到问题，将乱序的key输出到目录/examples/terasort-validate
$ hadoop jar $HADOOP_HOME/hadoop-examples-0.20.2-cdh3u3.jar teravalidate \
/examples/terasort-output /examples/terasort-validate
(3). Hadoop Gridmix2
Gridmix是Hadoop自带的基准测试程序，是对其它几个基准测试程序的进一步封装，包括产生数据、提交作业、统计完成时间等功能模块。Gridmix自带了各种类型的作业，分别为streamSort、javaSort、combiner、monsterQuery、webdataScan和webdataSort。
编译
1
|
$ cd $HADOOP_HOME/src/benchmarks/gridmix2
$ ant
$ cp build/gridmix.jar .
|
修改环境变量
修改gridmix-env-2文件：
1
|
export HADOOP_INSTALL_HOME=/home/jeoygin
export HADOOP_VERSION=hadoop-0.20.2-cdh3u3
export HADOOP_HOME=${HADOOP_INSTALL_HOME}/${HADOOP_VERSION}
export HADOOP_CONF_DIR=${HADOOP_HOME}/conf
export USE_REAL_DATASET=
export APP_JAR=${HADOOP_HOME}/hadoop-test-0.20.2-cdh3u3.jar
export EXAMPLE_JAR=${HADOOP_HOME}/hadoop-examples-0.20.2-cdh3u3.jar
export STREAMING_JAR=${HADOOP_HOME}/contrib/streaming/hadoop-streaming-0.20.2-cdh3u3.jar
|
如果USE_REAL_DATASET的值为TRUE的话，将使用500GB压缩数据（等价于2TB非压缩数据），如果留空将使用500MB压缩数据（等价于2GB非压缩数据）。
修改配置信息
配置信息在gridmix_config.xml文件中。gridmix中，每种作业有大中小三种类型：小作业只有3个输入文件（即3个map）；中作业的输入文件是与正则表达式{part-0000,part-0001,part-000*2}匹配的文件；大作业会处理处有数据。
产生数据
1
|
$ chmod +x generateGridmix2data.sh
$ ./generateGridmix2data.sh
|
generateGridmix2data.sh脚本会运行一个作业，在HDFS的目录/gridmix/data中产生输入数据。
运行
1
|
$ chmod +x rungridmix_2
$ ./rungridmix_2
|
运行后，会创建_start.out文件来记录开始时间，结束后，创建_end.out文件来记录完成时间。
(4). 查看任务统计信息
Hadoop提供非常方便的方式来获取一个任务的统计信息，使用以下命令即可作到：
$ hadoop job -history all 这个命令会分析任务的两个历史文件（这两个文件存储在
2. HiBench
HiBench是Intel开放的一个Hadoop Benchmark Suit，包含9个典型的Hadoop负载（Micro benchmarks、HDFS benchmarks、web search benchmarks、machine learning benchmarks和data analytics benchmarks），主页是： https://github.com/intel-hadoop/hibench 。
HiBench为大多数负载提供是否启用压缩的选项，默认的compression codec是zlib。
Micro Benchmarks:
- Sort (sort)：使用Hadoop RandomTextWriter生成数据，并对数据进行排序
- WordCount (wordcount)：统计输入数据中每个单词的出现次数，输入数据使用Hadoop RandomTextWriter生成
- TeraSort (terasort)：这是由微软的数据库大牛Jim Gray（2007年失踪）创建的标准benchmark，输入数据由Hadoop TeraGen产生
HDFS Benchmarks:
- 增强的DFSIO (dfsioe)：通过产生大量同时执行读写请求的任务来测试Hadoop机群的HDFS吞吐量
Web Search Benchmarks:
- Nutch indexing (nutchindexing)：大规模搜索引擎索引是MapReduce的一个重要应用，这个负载测试Nutch（Apache的一个开源搜索引擎）的索引子系统，使用自动生成的Web数据，Web数据中的链接和单词符合Zipfian分布
- PageRank (pagerank)：这个负载包含一种在Hadoop上的PageRank算法实现，使用自动生成的Web数据，Web数据中的链接符合Zipfian分布
Machine Learning Benchmarks:
- Mahout Bayesian classification (bayes)：大规模机器学习也是MapReduce的一个重要应用，这个负载测试Mahout 0.7（Apache的一个开源机器学习库）中的Naive Bayesian训练器，输入数据是自动生成的文档，文档中的单词符合Zipfian分布
- Mahout K-means clustering (kmeans)：这个负载测试Mahout 0.7中的K-means聚类算法，输入数据集由基于均匀分布和高斯分布的GenKMeansDataset产生
Data Analytics Benchmarks:
- Hive Query Benchmarks (hivebench)：这个负载的开发基于SIGMOD 09的一篇论文“A Comparison of Approaches to Large-Scale Data Analysis”和HIVE-396，包含执行典型OLAP查询的Hive查询（Aggregation and Join），使用自动生成的Web数据，Web数据中的链接符合Zipfian分布
下文将${HIBENCH_HOME}定义为HiBench的解压缩目录。
(1). 安装与配置
建立环境：
- HiBench-2.2：从https://github.com/intel-hadoop/HiBench/zipball/HiBench-2.2下载
- Hadoop：在运行任何负载之前，请确保Hadoop环境能正常运行，所有负载在Cloudera Distribution of Hadoop 3 update 4 (cdh3u4)和Hadoop 1.0.3上测试通过
- Hive：如果要测试hivebench，请确保已正确建立了Hive环境
配置所有负载：
需要在${HIBENCH_HOME}/bin/hibench-config.sh文件中设置一些全局的环境变量。
1
|
$ unzip HiBench-2.2.zip
$ cd HiBench-2.2
$ vim bin/hibench-config.sh
HADOOP_HOME |
配置单个负载：
在每个负载目录下，可以修改conf/configure.sh这个文件，设置负载运行的参数。
同步每个节点的时间
(2). 运行
同时运行几个负载：
- 修改${HIBENCH_HOME}/conf/benchmarks.lst文件，该文件定义了将要运行的负载，每行指定一个负载，在任意一行前可以使用#跳过该行
- 运行${HIBENCH_HOME}/bin/run-all.sh脚本
单独运行每个负载：
可以单独运行每个负载，通常，在每个负载目录下有三个不同的文件：
1
|
conf/configure.sh 包含所有参数的配置文件，可以设置数据大小及测试选项等
bin/prepare*.sh 生成或拷贝作业输入数据到HDFS
bin/run*.sh 运行benchmark
|
- 配置benchmark：如果需要，可以修改configure.sh文件来设置自己想要的参数
- 准备数据：运行bin/prepare.sh脚本为benchmark准备输入数据
- 运行benchmark：运行bin/run*.sh脚本来运行对应的benchmark
(3). 小结
HiBench覆盖了一些广被使用的Hadoop Benchmark，如果看过该项目的源码，会发现该项目很精悍，代码不多，通过一些脚本使每个benchmark的配置、准备和运行变得规范化，用起来十分方便。
3. 参考资料
- Benchmarking and Stress Testing an Hadoop Cluster with TeraSort, TestDFSIO & Co.
- Hadoop Gridmix基准测试
- HiBench