Reduce对Pig作业性能的影响
Amber Zhao Wed, Feb 25 2015 3:36 AM
很多用户在使用HDInsight的Pig功能时，发现有时很简单一个Pig Latin的relation会花费很长时间执行，当HDI使用MR框架时，由于Pig会根据具体的relation拆分成相应的Map和Reduce任务。根据Hadoop的MR框架如下特点，针对Reduce并行度的优化，会对Pig的作业有很大的性能影响。
Hadoop的MR框架中有以下特点：
- Map的并行度个数是由输入文件来决定，而Reduce并行度的个数是由Parallel关键字来决定。
- 当不指定parallel关键字时， Reduce task仅有一个。
- Reduce的并行度依赖于cluster的规模。
具体内容看如下文档：http://wiki.apache.org/pig/PigLatin
当我们使用Get-AzureHDInsightJobOutput来进一步分析Pig作业的具体执行情况，我们可以通过Pig作业执行的具体日志来查看Map和Reduce的效率。如下为当使用group by的Pig作业的日志信息：
===================================================
测试1：默认一个Reduce的Pig 作业，执行Pig作业花费了74分钟：
-----------------------------
2015-02-10 09:01:27,937 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 0% complete
2015-02-10 09:02:43,446 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 4% complete
…
2015-02-10 10:15:18,029 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 100% complete
…
JobId Maps Reduces MaxMapTime MinMapTIme AvgMapTime MedianMapTime MaxReduceTime MinReduceTime AvgReduceTime MedianReducetime Alias Feature Outputs
job_1423547880282_0013 482 1 418 23 63 63 4314 4314 4314 4314 analyzed,grpd,outtuple GROUP_BY wasb:///home/ambertest1_32node,
-----------------------------
测试2：优化为80个Reduce的Pig 作业，执行同样的Pig 作业花费了6分钟：
-----------------------------
2015-02-23 12:05:46,885 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 0% complete
2015-02-23 12:07:06,056 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 4% complete
…
2015-02-23 12:11:27,168 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 100% complete
JobId Maps Reduces MaxMapTime MinMapTIme AvgMapTime MedianMapTime MaxReduceTime MinReduceTime AvgReduceTime MedianReducetime Alias Feature Outputs
job_1423547880282_0049 482 80 134 19 57 61 204 70 153 155 analyzed,grpd,outtuple GROUP_BY wasb:///home/ambertest9_32node,
-----------------------------
===================================================
以上Pig Latin作业主要使用的是 Group by来声明Pig的relation，此外针对其它等同样需要使用reduce关键字的Pig作业，有以下优化建议：
1. 在具体执行的Pig Latin中指定所需的Reduce并行度，具体语句如下：
SET default_parallel 80; <根据具体HDIcluster的规模设定Reduce的并行度>
2. 设定整个HDI cluster的MR框架的Reduce并行度，方法如下：
修改mapred-site.xml文件的如下属性：
<property>
<name>mapreduce.job.reduces</name>
<value>80</value>
</property>
如果你有任何疑问,欢迎访问MSDN社区，由专家来为您解答Windows Azure各种技术问题，或者拨打世纪互联客户服务热线400-089-0365/010-84563652咨询各类服务信息。
本文转载自： http://blogs.msdn.com/b/cciccat/archive/2015/02/25/reducer-number-for-pig-job.aspx