hadoop調(diào)優(yōu)參數(shù)及原理是什么

hadoop調(diào)優(yōu)參數(shù)及原理是什么，相信很多沒有經(jīng)驗(yàn)的人對此束手無策，為此本文總結(jié)了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個問題。

問題導(dǎo)讀：
1.map會將已經(jīng)產(chǎn)生的部分結(jié)果先寫入到該buffer中.buffer大小可以通過那個參數(shù)來設(shè)置？
2.如何降低map的split的次數(shù)？
3.map中的數(shù)據(jù)什么情況下會寫入磁盤？spill是什么？
4.map其實(shí)是當(dāng)buffer被寫滿到一定程度（比如80%）時，就開始進(jìn)行spill有由那個參數(shù)來決定？
5.通過哪個參數(shù)可以控制map中間結(jié)果是否使用壓縮的？
6.reduce包含幾個階段，是每個reduce都必須包含？
7.Reduce task在做shuffle的過程是什么樣子的？如何調(diào)整多個并行map個數(shù)的下載？
8.reduce的數(shù)據(jù)是否全部來源磁盤，如何調(diào)整使用內(nèi)存？

1 Map side tuning參數(shù)1.1 MapTask運(yùn)行內(nèi)部原理

1.當(dāng)map task開始運(yùn)算，并產(chǎn)生中間數(shù)據(jù)時，其產(chǎn)生的中間結(jié)果并非直接就簡單的寫入磁盤。這中間的過程比較復(fù)雜，并且利用到了內(nèi)存buffer來進(jìn)行已經(jīng)產(chǎn)生的部分結(jié)果的緩存，并在內(nèi)存buffer中進(jìn)行一些預(yù)排序來優(yōu)化整個map的性能。如上圖所示，每一個map都會對應(yīng)存在一個內(nèi)存buffer（MapOutputBuffer，即上圖的buffer in memory），map會將已經(jīng)產(chǎn)生的部分結(jié)果先寫入到該buffer中，這個buffer默認(rèn)是100MB大小，但是這個大小是可以根據(jù)job提交時的參數(shù)設(shè)定來調(diào)整的，

該參數(shù)即為：mapreduce.task.io.sort.mb。

當(dāng)map的產(chǎn)生數(shù)據(jù)非常大時，并且把mapreduce.task.io.sort.mb調(diào)大，那么map在整個計算過程中spill的次數(shù)就勢必會降低，map task對磁盤的操作就會變少，

如果map tasks的瓶頸在磁盤上，這樣調(diào)整就會大大提高map的計算性能。

map做sort和spill的內(nèi)存結(jié)構(gòu)如下如所示：

2.map在運(yùn)行過程中，不停的向該buffer中寫入已有的計算結(jié)果，但是該buffer并不一定能將全部的map輸出緩存下來，當(dāng)map輸出超出一定閾值（比如100M），那么map就必須將該buffer中的數(shù)據(jù)寫入到磁盤中去，這個過程在mapreduce中叫做spill。map并不是要等到將該buffer全部寫滿時才進(jìn)行spill，因?yàn)槿绻繉憹M了再去寫spill，勢必會造成map的計算部分等待buffer釋放空間的情況。所以，map其實(shí)是當(dāng)buffer被寫滿到一定程度（比如80%）時，就開始進(jìn)行spill。

這個閾值也是由一個job的配置參數(shù)來控制，

即mapreduce.map.sort.spill.percent，默認(rèn)為0.80或80%。

這個參數(shù)同樣也是影響spill頻繁程度，進(jìn)而影響map task運(yùn)行周期對磁盤的讀寫頻率的。但非特殊情況下，通常不需要人為的調(diào)整。調(diào)整mapreduce.task.io.sort.mb對用戶來說更加方便。

3.當(dāng)map task的計算部分全部完成后，如果map有輸出，就會生成一個或者多個spill文件，這些文件就是map的輸出結(jié)果。map在正常退出之前(cleanup)，需要將這些spill合并（merge）成一個，所以map在結(jié)束之前還有一個merge的過程。merge的過程中，有一個參數(shù)可以調(diào)整這個過程的行為，該參數(shù)為：mapreduce.task.io.sort.factor。該參數(shù)默認(rèn)為10。它表示當(dāng)merge spill文件時，最多能有多少并行的stream向merge文件中寫入。比如如果map產(chǎn)生的數(shù)據(jù)非常的大，產(chǎn)生的spill文件大于10，而mapreduce.task.io.sort.factor使用的是默認(rèn)的10，那么當(dāng)map計算完成做merge時，就沒有辦法一次將所有的spill文件merge成一個，而是會分多次，每次最多10個stream。這也就是說，當(dāng)map的中間結(jié)果非常大，調(diào)大mapreduce.task.io.sort.factor，有利于減少merge次數(shù)，進(jìn)而減少map對磁盤的讀寫頻率，有可能達(dá)到優(yōu)化作業(yè)的目的。

4.當(dāng)job指定了combiner的時候，我們都知道m(xù)ap介紹后會在map端根據(jù)combiner定義的函數(shù)將map結(jié)果進(jìn)行合并。運(yùn)行combiner函數(shù)的時機(jī)有可能會是merge完成之前，或者之后，這個時機(jī)可以由一個參數(shù)控制，即mapreduce.map.combine.minspills（default 3），當(dāng)job中設(shè)定了combiner，并且spill數(shù)大于等于3的時候，那么combiner函數(shù)就會在merge產(chǎn)生結(jié)果文件之前運(yùn)行。通過這樣的方式，就可以在spill非常多需要merge，并且很多數(shù)據(jù)需要做conbine的時候，減少寫入到磁盤文件的數(shù)據(jù)數(shù)量，同樣是為了減少對磁盤的讀寫頻率，有可能達(dá)到優(yōu)化作業(yè)的目的。

5.減少中間結(jié)果讀寫進(jìn)出磁盤的方法不止這些，還有就是壓縮。也就是說map的中間，無論是spill的時候，還是最后merge產(chǎn)生的結(jié)果文件，都是可以壓縮的。壓縮的好處在于，通過壓縮減少寫入讀出磁盤的數(shù)據(jù)量。對中間結(jié)果非常大，磁盤速度成為map執(zhí)行瓶頸的job，尤其有用。控制map中間結(jié)果是否使用壓縮的參數(shù)為：mapreduce.map.output.compress(true/false)。 將這個參數(shù)設(shè)置為true時，那么map在寫中間結(jié)果時，就會將數(shù)據(jù)壓縮后再寫入磁盤，讀結(jié)果時也會采用先解壓后讀取數(shù)據(jù)。這樣做的后果就是：寫入磁盤的 中間結(jié)果數(shù)據(jù)量會變少，但是cpu會消耗一些用來壓縮和解壓。所以這種方式通常適合job中間結(jié)果非常大，瓶頸不在cpu，而是在磁盤的讀寫的情況。說的 直白一些就是用cpu換IO。根據(jù)觀察，通常大部分的作業(yè)cpu都不是瓶頸，除非運(yùn)算邏輯異常復(fù)雜。所以對中間結(jié)果采用壓縮通常來說是有收益的。以下是一 個wordcount中間結(jié)果采用壓縮和不采用壓縮產(chǎn)生的map中間結(jié)果本地磁盤讀寫的數(shù)據(jù)量對比：

map中間結(jié)果不壓縮：

map中間結(jié)果壓縮：

可以看出，同樣的job，同樣的數(shù)據(jù)，在采用壓縮的情況下，map中間結(jié)果能縮小將近10倍，如果map的瓶頸在磁盤，那么job的性能提升將會非?？捎^。

當(dāng)采用map中間結(jié)果壓縮的情況下，用戶還可以選擇壓縮時采用哪種壓縮格式進(jìn)行壓縮，現(xiàn)在hadoop支持的壓縮格式有：GzipCodec，LzoCodec，BZip2Codec，LzmaCodec等壓縮格式。通常來說，想要達(dá)到比較平衡的cpu和磁盤壓縮比，LzoCodec比較適合。但也要取決于job的具體情況。用戶若想要自行選擇中間結(jié)果的壓縮算法，可以設(shè)置配置參數(shù)：mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.DefaultCodec或者其他用戶自行選擇的壓縮方式。

1.2 Map side相關(guān)參數(shù)調(diào)優(yōu)

2 Reduce side tuning參數(shù)2.1 ReduceTask運(yùn)行內(nèi)部原理

1.reduce的運(yùn)行是分成三個階段的。分別為copy->sort->reduce。由于job的每一個map都會根據(jù)reduce(n)數(shù)將數(shù)據(jù)分成map 輸出結(jié)果分成n個partition，所以map的中間結(jié)果中是有可能包含每一個reduce需要處理的部分?jǐn)?shù)據(jù)的。所以，為了優(yōu)化reduce的執(zhí)行時間，hadoop中是等job的第一個map結(jié)束后，所有的reduce就開始嘗試從完成的map中下載該reduce對應(yīng)的partition部分?jǐn)?shù)據(jù)。這個過程就是通常所說的shuffle，也就是copy過程。

2.Reduce task在做shuffle時，實(shí)際上就是從不同的已經(jīng)完成的map上去下載屬于自己這個reduce的部分?jǐn)?shù)據(jù)，由于map通常有許多個，所以對一個reduce來說，下載也可以是并行的從多個map下載，這個并行度是可以調(diào)整的，調(diào)整參數(shù)為：mapreduce.reduce.shuffle.parallelcopies（default 5）。默 認(rèn)情況下，每個只會有5個并行的下載線程在從map下數(shù)據(jù)，如果一個時間段內(nèi)job完成的map有100個或者更多，那么reduce也最多只能同時下載 5個map的數(shù)據(jù)，所以這個參數(shù)比較適合map很多并且完成的比較快的job的情況下調(diào)大，有利于reduce更快的獲取屬于自己部分的數(shù)據(jù)。

3.reduce 的每一個下載線程在下載某個map數(shù)據(jù)的時候，有可能因?yàn)槟莻€map中間結(jié)果所在機(jī)器發(fā)生錯誤，或者中間結(jié)果的文件丟失，或者網(wǎng)絡(luò)瞬斷等等情況，這樣 reduce的下載就有可能失敗，所以reduce的下載線程并不會無休止的等待下去，當(dāng)一定時間后下載仍然失敗，那么下載線程就會放棄這次下載，并在隨 后嘗試從另外的地方下載（因?yàn)檫@段時間map可能重跑）。所以reduce下載線程的這個最大的下載時間段是可以調(diào)整的，調(diào)整參數(shù)為：mapred.reduce.copy.backoff（default 300秒）。如果集群環(huán)境的網(wǎng)絡(luò)本身是瓶頸，那么用戶可以通過調(diào)大這個參數(shù)來避免reduce下載線程被誤判為失敗的情況。不過在網(wǎng)絡(luò)環(huán)境比較好的情況下，沒有必要調(diào)整。通常來說專業(yè)的集群網(wǎng)絡(luò)不應(yīng)該有太大問題，所以這個參數(shù)需要調(diào)整的情況不多。

4.Reduce將map結(jié)果下載到本地時，同樣也是需要進(jìn)行merge的，所以mapreduce.task.io.sort.factor的配置選項(xiàng)同樣會影響reduce進(jìn)行merge時的行為，該參數(shù)的詳細(xì)介紹上文已經(jīng)提到，當(dāng)發(fā)現(xiàn)reduce在shuffle階段iowait非常的高的時候，就有可能通過調(diào)大這個參數(shù)來加大一次merge時的并發(fā)吞吐，優(yōu)化reduce效率。

5.Reduce在shuffle階段對下載來的map數(shù)據(jù)，并不是立刻就寫入磁盤的，而是會先緩存在內(nèi)存中，然后當(dāng)使用內(nèi)存達(dá)到一定量的時候才刷入磁盤。這個內(nèi)存大小的控制就不像map一樣可以通過mapreduce.task.io.sort.mb來設(shè)定了，而是通過另外一個參數(shù)來設(shè)置：mapreduce.reduce.shuffle.input.buffer.percent（default 0.7），這個參數(shù)其實(shí)是一個百分比，意思是說，shuffile在reduce內(nèi)存中的數(shù)據(jù)最多使用內(nèi)存量為：0.7 × maxHeap of reduce task。也就是說，如果該reduce task的最大heap使用量（通常通過mapreduce.reduce.java.opts來設(shè)置，比如設(shè)置為-Xmx1024m）的一定比例用來緩存數(shù)據(jù)。默認(rèn)情況下，reduce會使用其heapsize的70%來在內(nèi)存中緩存數(shù)據(jù)。如果reduce的heap由于業(yè)務(wù)原因調(diào)整的比較大，相應(yīng)的緩存大小也會變大，這也是為什么reduce用來做緩存的參數(shù)是一個百分比，而不是一個固定的值了。

6.假設(shè)mapreduce.reduce.shuffle.input.buffer.percent為0.7，reduce task的max heapsize為1G，那么用來做下載數(shù)據(jù)緩存的內(nèi)存就為大概700MB左右，這700M的內(nèi)存，跟map端一樣，也不是要等到全部寫滿才會往磁盤刷的，而是當(dāng)這700M中被使用到了一定的限度（通常是一個百分比），就會開始往磁盤刷。這個限度閾值也是可以通過job參數(shù)來設(shè)定的，設(shè)定參數(shù)為：mapreduce.reduce.shuffle.merge.percent（default 0.66）。如果下載速度很快，很容易就把內(nèi)存緩存撐大，那么調(diào)整一下這個參數(shù)有可能會對reduce的性能有所幫助。

7.當(dāng)reduce將所有的map上對應(yīng)自己partition的數(shù)據(jù)下載完成后，就會開始真正的reduce計算階段（中間有個sort階段通常時間非常短，幾秒鐘就完成了，因?yàn)檎麄€下載階段就已經(jīng)是邊下載邊sort，然后邊merge的）。當(dāng)reduce task真正進(jìn)入reduce函數(shù)的計算階段的時候，有一個參數(shù)也是可以調(diào)整reduce的計算行為。也就是：mapreduce.reduce.input.buffer.percent（default 0.0）。 由于reduce計算時肯定也是需要消耗內(nèi)存的，而在讀取reduce需要的數(shù)據(jù)時，同樣是需要內(nèi)存作為buffer，這個參數(shù)是控制，需要多少的內(nèi)存百 分比來作為reduce讀已經(jīng)sort好的數(shù)據(jù)的buffer百分比。默認(rèn)情況下為0，也就是說，默認(rèn)情況下，reduce是全部從磁盤開始讀處理數(shù)據(jù)。 如果這個參數(shù)大于0，那么就會有一定量的數(shù)據(jù)被緩存在內(nèi)存并輸送給reduce，當(dāng)reduce計算邏輯消耗內(nèi)存很小時，可以分一部分內(nèi)存用來緩存數(shù)據(jù)， 反正reduce的內(nèi)存閑著也是閑著。

2.2 Reduce side相關(guān)參數(shù)調(diào)優(yōu)

看完上述內(nèi)容，你們掌握hadoop調(diào)優(yōu)參數(shù)及原理是什么的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！