Hunk/Hadoop: 性能最佳实践

无论有没有使用Hunk，当运行Hadoop时，有很多种方式导致偶尔的性能底下。多数时候人们是增加更多的硬件来解决问题，但是有时候只需要简单更改下文件的名称就可以解决问题。

运行Map-Reduce任务[Hunk]

Hunk运行在Hadoop之上，但是这并不意味着一定做到有效的使用。如果Hunk运行在“复杂模式”，而不是“智能模式”的话，它就没有真正的用到Map-Reduce。相反它会直接将所有的Hadoop数据拉到Splunk引擎，并在那里处理它。

HDFS存储[hadoop]

在Hadoop的很多事项和Hunk有关联时如何部署文件？你需要在文件路径中包含时间戳，Hunk可以使用目录结构来当作一个过滤器，可以极大的减少被拉到Splunk的数据量。

在文件名称中包含时间戳也可以生效，但是效果较差，因为Hunk仍然会读取所有的文件名。

为了更好的性能，你可以在文件路径中包含一个健－值对。例如 “…/2015/3/2/app=webserver/…” 。在遍历目录时查询指令会将包含键－值对的过滤掉，再次减少了被拉到Splunk的数据量。

基于时间戳的VIX/indexs.conf[hunk]

当文件存储模式对于任何的Hadoop Map-Reduce有利时，你就需要修改indexs.conf，以让Hunk可以识别目录结构。

文件格式[Hunk]

诸如JSON和CSV这样的自我描述的文件，对于Hunk来说是很容易读取的，它们更加的详细，且消除了代价昂贵的映射操作。

压缩类型／文件大小 ［Hdaoop］

要避免过大的文件，例如500MB的GZ压缩且没有分片的文件。（诸如LZO压缩的分片文件也是可以接受的。）对于没有分片的文件来说，在core和文件之间是一对一的映射关系，这就意味着只能有一个core来处理大文件，而其它定core只能空转等待。也就是说处理没有分片的文件花费了大量的时间，那么Map－Reduce的任务就无法快速的处理。

同样，你也应该避免使用大量的大小在几十KB到几百KB之间的碎文件。如果文件太小，你会在启动和管理任务花费大量的时间，而不是真正的用在处理数据本身之上。

报告加速[hunk]

Hunk现在可以利用Splunk的报告加速功能了，这会在HDFS中缓存搜索的结果，减少或消除了需要从主的Hadoop集群中读取数据量。

在你启用此功能之前，请确保你的Hadoop集群拥有足够的空间来存储缓存。

硬件[Hadoop]

确保你拥有合适的硬件。虽然Hadoop是能够运行在甚至是双核的笔记本电脑中，但是你要真正使用它，还是需要每个节点拥有至少4颗4个核的CPU，为了能够确保拥有足够的暂存空间，你须配置至少12GB的内存，两块本地磁盘(10K或固态)

搜索Head Clustering[Hunk]

搜索Head Clustering在Splunk 6.2中是相对较新的一个特性，在Splunk6.3中，对于基于Hunk的查询将是一个可行的属性。

查看英文原文：Hunk/Hadoop:Performance Best Practices

感谢张龙对本文的审校。

给InfoQ中文站投稿或者参与内容翻译工作，请邮件至[email protected]。也欢迎大家通过新浪微博（@InfoQ，@丁晓昀），微信（微信号：InfoQChina）关注我们，并与我们的编辑和其他读者朋友交流（欢迎加入InfoQ读者交流群）。