【Hadoop】Hadoop及Yarn调优

HDFS参数调优（hdfs-site.xml）

• 调整namenode处理客户端的线程数：dfs.namenode.handler.count=20 * log2(Cluster Size)，比如集群规模为8台时，此参数设置为60
  官方说明为：The number of Namenode RPC server threads that listen to requests from clients. If dfs.namenode.servicerpc-address is not configured then Namenode RPC server threads listen to requests from all nodes.
  NameNode有一个工作线程池，用来处理不同DataNode的并发心跳以及客户端并发的元数据操作。对于大集群或者有大量客户端的集群来说，通常需要增大参数dfs.namenode.handler.count的默认值10。设置该值的一般原则是将其设置为集群大小的自然对数乘以20，即20logN，N为集群大小。
• 编辑日志存储路径dfs.namenode.edits.dir设置与镜像文件存储路径dfs.namenode.name.dir尽量分开，达到最低写入延迟
• 元数据信息fsimage多目录冗余存储配置

YARN参数优化（yarn-site.xml）

• 根据实际调整每个节点和单个任务申请内存值
  • yarn.nodemanager.resource.memory-mb
    表示该节点上YARN可使用的物理内存总量，默认是8192（MB），注意，如果节点内存资源不够8GB，则需要调减小这个值，而YARN不会智能的探测节点的物理内存总量。
  • yarn.scheduler.maximum-allocation-mb
    单个任务可申请的最多物理内存量，默认是8192（MB）。
• Hadoop宕机
  • 如果MR造成系统宕机。此时要控制Yarn同时运行的任务数，和每个任务申请的最大内存。调整参数：yarn.scheduler.maximum-allocation-mb（单个任务可申请的最多物理内存量，默认是8192MB）
  • 如果写入文件过量造成NameNode宕机。那么调高Kafka的存储大小，控制从Kafka到HDFS的写入速度。高峰期的时候用Kafka进行缓存，高峰期过去数据同步会自动跟上。

MapReduce调优

mapreduce运行慢的主要原因可能有哪些？

MapReduce程序效率的瓶颈在于两点：

• 计算机性能
  CPU、内存、磁盘健康、网络
• I/O操作优化
  • 数据倾斜
  • map和reduce数设置不合理
  • map运行时间太长，导致reduce等待过久
  • 小文件过多
  • 大量的不可分割的超大文件
  • spill次数过多
  • merge次数过多

mapreduce的优化方法

MapReduce优化方法主要从六个方面考虑：数据输入、Map阶段、Reduce阶段、IO传输、数据倾斜问题和常用的调优参数。

1. 数据输入阶段

   • 合并小文件：在执行mr任务前将小文件进行合并；因为大量的小文件会产生大量的map任务，任务都需要初始化，从而导致mr运行缓慢
   • 采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。

2. Map Task任务运行阶段

   • 减少spill溢写次数：通过调整mapreduce.task.io.sort.mb及mapreduce.map.sort.spill.percent参数的值，增大触发spill的内存上限，减少spill次数，从而减少磁盘io的次数
   • 减少merge合并次数：调整mapreduce.task.io.sort.factor参数，增大merge的文件数，减少merge的次数，从而缩短mr处理时间
   • 在map之后，不影响业务逻辑的情况下，先进行combine处理，减少I/O

3. Reduce Task任务运行阶段

   • 设置合理的map、reduce个数：两个数值都不能太小，也不能太大；太少，导致task执行时长边长；太多，导致map、reduce任务间竞争资源，造成处理超时错误。
   • 设置map、reduce共存：调整mapreduce.job.reduce.slowstart.completedmaps参数(默认0.05)，是map运行到一定程度后，reduce也开始运行，减少reduce的等待时间
   • 规避使用reduce：因为reduce在用于连接数据集的时候会产生大量的网络消耗
   • 合理设置reduce端的buffer：默认情况下，数据达到一定阈值的时候，Buffer中的数据会写入磁盘，然后reduce会从磁盘中获得所有的数据。即Buffer与reduce没有关联的，中间多次写磁盘、读磁盘的过程。那么可以通过调整参数，使得Buffer中的数据可以直接输送到reduce，从而减少I/O开销；mapreduce.reduce.input.buffer.percent默认为0.0，当值大于0的时候，会保留指定比例的内存读Buffer中的数值直接拿给Reducer使用。这样一来，设置Buffer需要内存，读取数据需要内存，Reduce计算也需要内存，所以要根据作业的运行情况进行调整。

4. IO传输阶段

   • 进行数据压缩：减少网络I/O的数据量，安装snappy和lzo压缩编码器
   • 使用SequenceFile二进制文件

5. 数据倾斜的优化

   • 数据倾斜现象：
     • 数据频率倾斜：某一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
   • 减少数据倾斜的方法：
     • 方法1：抽样和范围分区：对原始数据进行抽样，根据抽样数据集，预设分区边界值
     • 方法2：自定义分区：基于map输出key的背景知识，进行自定义分区。例如，如果map输出键的单词来源于一本书，且其中某些专业词汇出现的次数比较多，那么就可以自定义分区将这些专业词汇发送给固定的若干reduce任务。而将其他的都发送个剩余的reduce任务
     • 方法3：Combine：使用combine减少数据倾斜。在可能的情况下，Combine的目的是聚合并精简数据
     • 方法4：采用Map Join，尽量避免Reduce Join

常用的调优参数

1. mapred-site.xml

以下参数在用户自己的MR应用程序中配置后就可以生效（mapred-default.xml）

配置参数	参数说明
mapreduce.map.memory.mb	一个MapTask可使用的资源上限（单位:MB），默认为1024。如果MapTask实际使用的资源量超过该值，则会被强制杀死。
mapreduce.reduce.memory.mb	一个ReduceTask可使用的资源上限（单位:MB），默认为1024。如果ReduceTask实际使用的资源量超过该值，则会被强制杀死。
mapreduce.map.cpu.vcores	每个MapTask可使用的最多cpu core数目，默认值: 1
mapreduce.reduce.cpu.vcores	每个ReduceTask可使用的最多cpu core数目，默认值: 1
mapreduce.reduce.shuffle.parallelcopies	每个Reduce去Map中取数据的并行数。默认值是5
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
mapreduce.reduce.shuffle.input.buffer.percent	Buffer大小占Reduce可用内存的比例。默认值0.7
mapreduce.reduce.input.buffer.percent	指定多少比例的内存用来存放Buffer中的数据，默认值是0.0

2. yarn-default.xml

应该在YARN启动之前就配置在服务器的配置文件中才能生效（yarn-default.xml）

配置参数	参数说明
yarn.scheduler.minimum-allocation-mb	给应用程序Container分配的最小内存，默认值：1024
yarn.scheduler.maximum-allocation-mb	给应用程序Container分配的最大内存，默认值：8192
yarn.scheduler.minimum-allocation-vcores	每个Container申请的最小CPU核数，默认值：1
yarn.scheduler.maximum-allocation-vcores	每个Container申请的最大CPU核数，默认值：32
yarn.nodemanager.resource.memory-mb	给Containers分配的最大物理内存，默认值：8192

3. Shuffle性能优化的参数

Shuffle性能优化的关键参数，应在YARN启动之前就配置好（mapred-default.xml）

配置参数	参数说明
mapreduce.task.io.sort.mb	Shuffle的环形缓冲区大小，默认100m
mapreduce.map.sort.spill.percent	环形缓冲区溢出的阈值，默认80%

4. MapReduce性能优化参数

配置参数	参数说明
mapreduce.map.maxattempts	每个Map Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
mapreduce.reduce.maxattempts	每个Reduce Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
mapreduce.task.timeout	Task超时时间，经常需要设置的一个参数，该参数表达的意思为：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。如果程序对每条输入数据的处理时间过长（比如会访问数据库，通过网络拉取数据等），建议将该参数调大，该参数过小常出现的错误提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。

hdfs小文件解决办法

1. 小文件的问题弊端

• HDFS上每个文件都要在NameNode上建立一个索引，这个索引的大小约为150byte，这样当小文件比较多的时候，就会产生很多的索引文件
• 一方面会大量占用NameNode的内存空间，另一方面就是索引文件过大使得索引速度变慢。

2. 小文件的解决方案

• 小文件的优化有以下几种方式：
  1）在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS。
  2）在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。
  3）在MapReduce处理时，可采用CombineTextInputFormat提高效率。

1. hadoop archive
   高效的将小文件进行归档的工具，能将多个小文件打包成一个HAR文件，这样就减少了NameNode的内存使用
2. sequence file
   Sequence File由一系列的二进制的key/value组成，如果key为文件名，value为文件内容，则可以将大量小文件合并到一个SequenceFile文件中
3. CombineFileInputFormat
   CombineFileInputFormat用于将多个文件合并成一个单独的split，并且会考虑数据的存储位置。
4. 开启jvm重用
   对于处理大量小文件的job，可以开启jvm重用，约减少40%的运行时间
   jvm重用原理：一个map运行在一个jvm上，开启重用的话，该map在jvm上运行完毕后，此jvm中会继续运行此job的其他map任务。具体设置：mapreduce.job.jvm.numtasks值在10到20之间