溫馨提示×

溫馨提示×

您好，登錄后才能下訂單哦！

密碼登錄×
登錄注冊×
其他方式登錄
點(diǎn)擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

Hadoop入門知識點(diǎn)有哪些

發(fā)布時間：2021-12-08 09:44:08 來源：億速云 閱讀：140 作者：iii 欄目：大數(shù)據(jù)

本篇內(nèi)容介紹了“Hadoop入門知識點(diǎn)有哪些”的有關(guān)知識，在實(shí)際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

Hadoop入門

日常

Hadoop企業(yè)優(yōu)化日常工作

1 MapReduce 跑的慢的原因

Mapreduce 程序效率的瓶頸在于兩點(diǎn)：
1）計算機(jī)性能

CPU、內(nèi)存、磁盤健康、網(wǎng)絡(luò)

2）I/O 操作優(yōu)化

  1. 數(shù)據(jù)傾斜

  2. map和reduce數(shù)設(shè)置不合理

  3. reduce等待過久

  4. 小文件過多

  5. 大量的不可分塊的超大文件

  6. spill次數(shù)過多

  7. merge次數(shù)過多等。

2 MapReduce優(yōu)化方法

MapReduce優(yōu)化方法主要從以下六個方面考慮：
2.1 數(shù)據(jù)輸入

  1. 合并小文件：在執(zhí)行mr任務(wù)前將小文件進(jìn)行合并，大量的小文件會產(chǎn)生大量的map任務(wù)，增大map任務(wù)裝載次數(shù)，而任務(wù)的裝載比較耗時，從而導(dǎo)致 mr 運(yùn)行較慢。

  2. 采用ConbinFileInputFormat來作為輸入，解決輸入端大量小文件場景。

2.2 Map階段

  1. 減少spill次數(shù)：通過調(diào)整io.sort.mb及sort.spill.percent參數(shù)值，增大觸發(fā)spill的內(nèi)存上限，減少spill次數(shù)，從而減少磁盤 IO。

  2. 減少merge次數(shù)：通過調(diào)整io.sort.factor參數(shù)，增大merge的文件數(shù)目，減少merge的次數(shù)，從而縮短mr處理時間。

  3. 在 map 之后先進(jìn)行combine處理，減少 I/O。

2.3 Reduce階段

  1. 合理設(shè)置map和reduce數(shù)：兩個都不能設(shè)置太少，也不能設(shè)置太多。太少，會導(dǎo)致task等待，延長處理時間；太多，會導(dǎo)致 map、reduce任務(wù)間競爭資源，造成處理超時等錯誤。

  2. 設(shè)置map、reduce共存：調(diào)整slowstart.completedmaps參數(shù)，使map運(yùn)行到一定程度后，reduce也開始運(yùn)行，減少reduce的等待時間。

  3. 規(guī)避使用reduce，因?yàn)镽educe在用于連接數(shù)據(jù)集的時候?qū)a(chǎn)生大量的網(wǎng)絡(luò)消耗。

  4. 合理設(shè)置reduc端的buffer，默認(rèn)情況下，數(shù)據(jù)達(dá)到一個閾值的時候，buffer中的數(shù)據(jù)就會寫入磁盤，然后reduce會從磁盤中獲得所有的數(shù)據(jù)。也就是說，buffer和reduce是沒有直接關(guān)聯(lián)的，中間多個一個寫磁盤->讀磁盤的過程，既然有這個弊端，那么就可以通過參數(shù)來配置，使得buffer中的一部分?jǐn)?shù)據(jù)可以直接輸送到reduce，從而減少IO開銷：mapred.job.reduce.input.buffer.percent，默認(rèn)為0.0。當(dāng)值大于0的時候，會保留指定比例的內(nèi)存讀buffer中的數(shù)據(jù)直接拿給reduce使用。這樣一來，設(shè)置buffer需要內(nèi)存，讀取數(shù)據(jù)需要內(nèi)存，reduce計算也要內(nèi)存，所以要根據(jù)作業(yè)的運(yùn)行情況進(jìn)行調(diào)整。

2.4 IO傳輸

  1. 采用數(shù)據(jù)壓縮的方式，減少網(wǎng)絡(luò)IO的的時間。安裝Snappy和LZOP壓縮編碼器。

  2. 使用SequenceFile二進(jìn)制文件

2.5 數(shù)據(jù)傾斜問題

  1. 數(shù)據(jù)傾斜現(xiàn)象
    數(shù)據(jù)頻率傾斜——某一個區(qū)域的數(shù)據(jù)量要遠(yuǎn)遠(yuǎn)大于其他區(qū)域。
    數(shù)據(jù)大小傾斜——部分記錄的大小遠(yuǎn)遠(yuǎn)大于平均值。

  2. 如何收集傾斜數(shù)據(jù)
    在reduce方法中加入記錄map輸出鍵的詳細(xì)情況的功能。

public static final String MAX_VALUES = "skew.maxvalues"; private int maxValueThreshold; 
 @Overridepublic void configure(JobConf job) {
   
   
    
     maxValueThreshold = job.getInt(MAX_VALUES, 100); } @Overridepublic void reduce(Text key, Iterator<Text> values, OutputCollector<Text, Text> output, 
                     Reporter reporter) throws IOException {
   
   
    int i = 0; while (values.hasNext()) {
   
   
    values.next(); i++; } if (++i > maxValueThreshold) {
   
   
    log.info("Received " + i + " values for key " + key); }}

3）減少數(shù)據(jù)傾斜的方法

  1. 抽樣和范圍分區(qū)
    可以通過對原始數(shù)據(jù)進(jìn)行抽樣得到的結(jié)果集來預(yù)設(shè)分區(qū)邊界值。

  2. 自定義分區(qū)
    另一個抽樣和范圍分區(qū)的替代方案是基于輸出鍵的背景知識進(jìn)行自定義分區(qū)。例如，如果map輸出鍵的單詞來源于一本書。其中大部分必然是省略詞（stopword）。那么就可以將自定義分區(qū)將這部分省略詞發(fā)送給固定的一部分reduce實(shí)例。而將其他的都發(fā)送給剩余的reduce實(shí)例。

  3. Combine
    使用Combine可以大量地減小數(shù)據(jù)頻率傾斜和數(shù)據(jù)大小傾斜。在可能的情況下，combine的目的就是聚合并精簡數(shù)據(jù)。

  4. 采用Map Join，盡量避免Reduce Join。

2.6 常用的調(diào)優(yōu)參數(shù)
1）資源相關(guān)參數(shù)

  • 以下參數(shù)是在用戶自己的mr應(yīng)用程序中配置就可以生效（mapred-default.xml）

配置參數(shù)參數(shù)說明
mapreduce.map.memory.mb一個Map Task可使用的資源上限（單位:MB），默認(rèn)為1024。如果Map Task實(shí)際使用的資源量超過該值，則會被強(qiáng)制殺死。
mapreduce.reduce.memory.mb一個Reduce Task可使用的資源上限（單位:MB），默認(rèn)為1024。如果Reduce Task實(shí)際使用的資源量超過該值，則會被強(qiáng)制殺死。
mapreduce.map.cpu.vcores每個Map task可使用的最多cpu core數(shù)目，默認(rèn)值: 1
mapreduce.reduce.cpu.vcores每個Reduce task可使用的最多cpu core數(shù)目，默認(rèn)值: 1
mapreduce.reduce.shuffle.parallelcopies每個reduce去map中拿數(shù)據(jù)的并行數(shù)。默認(rèn)值是5
mapreduce.reduce.shuffle.merge.percentbuffer中的數(shù)據(jù)達(dá)到多少比例開始寫入磁盤。默認(rèn)值0.66
mapreduce.reduce.shuffle.input.buffer.percentbuffer大小占reduce可用內(nèi)存的比例。默認(rèn)值0.7
mapreduce.reduce.input.buffer.percent指定多少比例的內(nèi)存用來存放buffer中的數(shù)據(jù)，默認(rèn)值是0.0

  • 應(yīng)該在yarn啟動之前就配置在服務(wù)器的配置文件中才能生效（yarn-default.xml）

配置參數(shù)參數(shù)說明
yarn.scheduler.minimum-allocation-mb 1024給應(yīng)用程序container分配的最小內(nèi)存
yarn.scheduler.maximum-allocation-mb 8192給應(yīng)用程序container分配的最大內(nèi)存
yarn.scheduler.minimum-allocation-vcores 1每個container申請的最小CPU核數(shù)
yarn.scheduler.maximum-allocation-vcores 32每個container申請的最大CPU核數(shù)
yarn.nodemanager.resource.memory-mb 8192給containers分配的最大物理內(nèi)存

  • shuffle性能優(yōu)化的關(guān)鍵參數(shù)，應(yīng)在yarn啟動之前就配置好（mapred-default.xml）

配置參數(shù)參數(shù)說明
mapreduce.task.io.sort.mb 100shuffle的環(huán)形緩沖區(qū)大小，默認(rèn)100m
mapreduce.map.sort.spill.percent 0.8環(huán)形緩沖區(qū)溢出的閾值，默認(rèn)80%

2）容錯相關(guān)參數(shù)(mapreduce性能優(yōu)化)

配置參數(shù)配置參數(shù)
mapreduce.map.maxattempts每個Map Task最大重試次數(shù)，一旦重試參數(shù)超過該值，則認(rèn)為Map Task運(yùn)行失敗，默認(rèn)值：4
mapreduce.reduce.maxattempts每個Reduce Task最大重試次數(shù)，一旦重試參數(shù)超過該值，則認(rèn)為Map Task運(yùn)行失敗，默認(rèn)值：4。
mapreduce.task.timeoutTask超時時間，經(jīng)常需要設(shè)置的一個參數(shù)，該參數(shù)表達(dá)的意思為：如果一個task在一定時間內(nèi)沒有任何進(jìn)入，即不會讀取新的數(shù)據(jù)，也沒有輸出數(shù)據(jù)，則認(rèn)為該task處于block狀態(tài)，可能是卡住了，也許永遠(yuǎn)會卡主，為了防止因?yàn)橛脩舫绦蛴肋h(yuǎn)block住不退出，則強(qiáng)制設(shè)置了一個該超時時間（單位毫秒），默認(rèn)是600000。如果你的程序?qū)γ織l輸入數(shù)據(jù)的處理時間過長（比如會訪問數(shù)據(jù)庫，通過網(wǎng)絡(luò)拉取數(shù)據(jù)等），建議將該參數(shù)調(diào)大，該參數(shù)過小常出現(xiàn)的錯誤提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。

3 HDFS小文件優(yōu)化方法

3.1 HDFS小文件弊端

HDFS上每個文件都要在namenode上建立一個索引，這個索引的大小約為150byte，這樣當(dāng)小文件比較多的時候，就會產(chǎn)生很多的索引文件，一方面會大量占用namenode的內(nèi)存空間，另一方面就是索引文件過大是的索引速度變慢。

3.2 解決方案

  1. Hadoop Archive:
    是一個高效地將小文件放入HDFS塊中的文件存檔工具，它能夠?qū)⒍鄠€小文件打包成一個HAR文件，這樣在減少namenode內(nèi)存使用的同時。

  2. Sequence file：
    sequence file由一系列的二進(jìn)制key/value組成，如果key為文件名，value為文件內(nèi)容，則可以將大批小文件合并成一個大文件。

  3. CombineFileInputFormat：
    CombineFileInputFormat是一種新的inputformat，用于將多個文件合并成一個單獨(dú)的split，另外，它會考慮數(shù)據(jù)的存儲位置。

  4. 開啟JVM重用
    對于大量小文件Job，可以開啟JVM重用會減少45%運(yùn)行時間。
    JVM重用理解：一個map運(yùn)行一個jvm，重用的話，在一個map在jvm上運(yùn)行完畢后，jvm繼續(xù)運(yùn)行其他jvm
    具體設(shè)置：mapreduce.job.jvm.numtasks值在10-20之間。

“Hadoop入門知識點(diǎn)有哪些”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！

向AI問一下細(xì)節(jié)
推薦閱讀：
  1. Hadoop 入門
  2. Hadoop入門

免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實(shí)，將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI
助
手