參数调优(用lzo压缩）：

mapreduce.output.fileoutputformat.compress=true

mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.LzoCodec

mapreduce.map.output.compress=true

mapreduce.map.output.compress.codec＝com.hadoop.compression.lzo.LzoCodec

 

§  应对数据倾斜

假设一些Reduce比其它Reduce明显耗时很多其它，我们觉得发生数据倾斜，整个作业会由于数据倾斜而耗时很多其它。

eBay Eagle对数据倾斜的定义：

(WorstReduceTime - avgReduceTime > 30 minutes)and (WorstReduceInputRecords / avgReduceInputRecords > 5)

 

有非常多解决方式。比如写MapReduce作业时，合并中间数据。避免大量小文件。

在工作中，我们碰到数据倾斜的咨询集中在Hive查询。參数调优例如以下：

－合并小文件((文件再小，Block再大，每一个小文件都会占用一个Block)

hive.merge.mapfiles=true

hive.merge.size.per.task=256000000

 

－利用Map端聚合。达到Reduce负载均衡

hive.groupby.skewindata=http://www.mamicode.com/true

hive.optimize.skewjoin=true

hive.map.aggr=true

hive.groupby.mapaggr.checkinterval = 100000

 

§  添加内存，降低GC时间

当Map或Reduce内存不够时。须要很多其它的GC时间，从而影响作业性能。

eBay Eagle对GC时间过长的定义：

GC_TIME_MILLIS / CPU_MILLISECONDS > 0.1

 

作业參数调优。提高Heap size:

mapreduce.map.java.opts=-Xmx4g

mapreduce.reduce.java.opts=-Xmx4g

 

在提高Heap Size參数时，注意Heap Size不得超过物理内存。

mapreduce.map.memory.mb > mapreduce.map.java.opts

mapreduce.reduce.memory.mb >mapreduce.reduce.java.opts

 

§  避开资源竞争

系统资源紧张会造成Map或Reduce进展缓慢。用户能够从Scheduler中观察不同queue的资源使用情况。避开繁忙的窗体。假设作业有多个queue能够选择，选择资源空暇的queue。

 

设置queue:

mapreduce.queue.jobname=<queue_name>

 

演示样例：通过ResourceMananger web URL 观察系统资源使用情况

§  添加内存。降低磁盘溢出

设置下面作业參数降低磁盘溢出：（适当大于默认值）

mapreduce.map.sort.spill.percent=1

mapreduce.task.io.sort.mb=1024

mapreduce.map.java.opts=-Xmx4096M

 

 

§  保留系统默认的最小分片大小

有些人会设置split.minsize作业參数以控制Map数量。但这样的做法会削弱数据本地性。减少作业性能。建议保留系统默认设置。

在默认配置下。split大小和block大小是同样的。防止一个split假设相应的多个block并且这些block大多不在本地。

保留作业參数默认值：

mapreduce.input.fileinputformat.split.minsize＝0

 

§  控制Map和Reduce数量

合理的Map和Reduce数量。有利于提高作业性能。

我们能够通过參数直接设置Reduce的数量。但无法直接指定Map的数量。參考computeSplitSize()方法。当输入文件指定时，Map的数量由SplitSize决定,我们能够通过改动dfs.blocksize和split.minsize来设定Split Size。上文我们建议使用保留系统默认的最小分片大小，所以我们仅仅能通过改动dfs.blocksize參数来控制Map数量。值得注意的是我们能够有若干办法控制输入文件。

 

当Map平均输入非常大，或者用时太长。通过下面办法能够添加Map数量

－事先採用Splittable的压缩格式，比方Lzo格式压缩输入文件。

－设置较小的Block Size

当Map平均输入过小，或者用时太短，通过下面办法能够降低Map数量

－事先合并输入文件，降低小文件 (小文件太多，就算Block Size再大，每一个小文件都会占用一个Block)

－设置较大的Block Size

 

computeSplitSize()方法说明[i]：

*上图为引用Hadoop The Definitive Guide 3rd Edition[i], 所列属性为Hadoop 1。在Hadoop 2中，部分属性名称已更新，比方Hadoop 1中dfs.block.size在Hadoop2中更新为dfs.blocksize.

 

eBay Eagle有关Map和Reduce数量的标杆：

Map作业满足下面条件之中的一个。觉得Map数量太多：

－输入 < 5 MB且用时 < 30秒

－用时 < 10秒

Map作业满足下面条件之中的一个，觉得Map数量太少：

－输入 > 1GB

－用时 > 10分钟

 

Reduce作业满足下面条件之中的一个，觉得Reduce数量不合理：

－输入 < 256MB 且总用时（包含Shuffle） < 5分钟 且 输出 < 256MB

－输入 > 10GB 且总用时（包含Shuffle） > 30分钟

－总用时（包含Shuffle） < 60秒

－总用时（包含Shuffle） > 1小时 且 用时（不包含Shuffle) > 30分钟

－输入 < 10MB 且用时（不包含Shuffle) < 5分钟 且 输出 < 2GB

－输出 > 10GB 且用时（不包含Shuffle) > 30分钟

 

Reduce数量推荐方案：

Reduce number=Max(input / 3 G, output / 2 GB,reduceTime / 10 minute)

指定Reduce数量的作业參数：

mapreduce.job.reduces=<Reduce number>

      

[i] eBay Eagle是eBay自主研发的系统，用于大型Hadoop集群管理，集监控、警示和智能修复功能于一体。eBayEagle即将开源，有望成为Apache的孵化项目。

[ii] http://my.oschina.net/mkh/blog/335395

[iii] Hadoop: TheDefinitive Guide, Third Edition. Hadoop: The Definitive Guide, Third Edition,ISBN: 9781449328917