MapReduce优化
1.MapReduce优化
MapReduce优化方法主要从六个方面考虑：数据输入、Map阶段、Reduce阶段、IO传输、数据倾斜问题和常用的调优参数。
一、数据输入
1、合并小文件：因为大量小文件会产生大量的Map任务，而任务的装载比较耗时，从而导致MR运行较慢
2、采用CombineTextInputFormat来作为输入
框架默认的TextInputFormat切片机制是对任务按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个MapTask，这样如果有大量小文件，就会产生大量的MapTask，处理效率极其低下。
CombineTextInputFormat用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个MapTask处理
二、Map阶段
1、减少溢写（Spill）次数，通过调整参数
io.sort.mb：环形缓存区大小
sort.spill.percent：达到多少表示满，百分比（80%）
增大触发spill的内存上限，减少spill次数，从而减少磁盘IO
2、减少合并（Merge）次数，调节参数
io.sort.factor：增大每次合并文件的个数，这样减少merge次数
3、在map之后，不影响业务逻辑前提下，先进行Combine处理，减少I/O
三、Reduce阶段
1、合理设置Map和Reduce数
2、设置Map、Reduce共存
调整slowstart.completedmaps参数，使Map运行到一定程度后，Reduce也开始运行，减少Reduce的等待时间
3、规避使用Reduce
在不需要使用Reduce时，就不要使用，这样减少shuffle
4、合理设置Reduce端的Buffer
默认情况下，数据达到一个阈值时，Buffer中的数据就会写入磁盘，然后Reduce会从磁盘中获得所有得数据，也就是说Buffer和Reduce是没有直接得关联得，可以通过设置参数，使Buffer中得一部分数据可以直接输送到Reduce，从而减少I/O开销
mapreduce.reduce.input.buffer.percent默认为0.0，
大于0时，会保留指定比例得内存读Buffer中得数据直接拿给Reduce使用
四、I/O传输
1、采用数据压缩的方式，减少网络IO的时间
安装Snappy和LZO压缩编码器
2、使用SequenceFile二进制文件
五、数据倾斜
1、数据倾斜现象
数据频率倾斜——某一个区域的数据量要远远大于其他区域。
数据大小倾斜——部分记录的大小远远大于平均值。
2、减少数据倾斜的方法
方法1：抽样和范围分区
可以通过对原始数据进行抽样得到的结果集来预设分区边界值
方法2：自定义分区
基于输出键的背景知识进行自定义分区。例如，如果Map输出键的单词来源于一本书。且其中某几个专业词汇较多。那么就可以自定义分区将这这些专业词汇发送给固定的一部分Reduce实例。而将其他的都发送给剩余的Reduce实例
方法3：Combine
使用Combine可以大量地减小数据倾斜。在可能的情况下，Combine的目的就是聚合并精简数据
方法4：采用MapJoin，尽量避免ReduceJoin。
六、常用的调优参数
1．资源相关参数
（1）以下参数是在用户自己的MR应用程序中配置就可以生效（mapred-default.xml）
mapreduce.map.memory.mb：一个MapTask可使用的资源上限（单位:MB），默认为1024。如果MapTask实际使用的资源量超过该值，则会被强制杀死。
mapreduce.reduce.memory.mb：一个ReduceTask可使用的资源上限（单位:MB），默认为1024。如果ReduceTask实际使用的资源量超过该值，则会被强制杀死。
mapreduce.map.cpu.vcores：每个MapTask可使用的最多cpu core数目，默认值: 1
mapreduce.reduce.cpu.vcores：每个ReduceTask可使用的最多cpu core数目，默认值: 1
mapreduce.reduce.shuffle.parallelcopies：每个Reduce去Map中取数据的并行数。默认值是5
mapreduce.reduce.shuffle.merge.percentBuffer：中的数据达到多少比例开始写入磁盘。默认值0.66
mapreduce.reduce.shuffle.input.buffer.percentBuffer：大小占Reduce可用内存的比例。默认值0.7
mapreduce.reduce.input.buffer.percent：指定多少比例的内存用来存放Buffer中的数据，默认值是0.0
（2）应该在YARN启动之前就配置在服务器的配置文件中才能生效（yarn-default.xml）
yarn.scheduler.minimum-allocation-mb：给应用程序Container分配的最小内存，默认值：1024
yarn.scheduler.maximum-allocation-mb：给应用程序Container分配的最大内存，默认值：8192
yarn.scheduler.minimum-allocation-vcores：每个Container申请的最小CPU核数，默认值：1
yarn.scheduler.maximum-allocation-vcores：每个Container申请的最大CPU核数，默认值：32
yarn.nodemanager.resource.memory-mb：给Containers分配的最大物理内存，默认值：8192
（3）Shuffle性能优化的关键参数，应在YARN启动之前就配置好（mapred-default.xml）
mapreduce.task.io.sort.mb：Shuffle的环形缓冲区大小，默认100m
mapreduce.map.sort.spill.percent：环形缓冲区溢出的阈值，默认80%
2．容错相关参数(MapReduce性能优化)
mapreduce.map.maxattempts：每个Map Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
mapreduce.reduce.maxattempts：每个Reduce Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
mapreduce.task.timeoutTask：超时时间，经常需要设置的一个参数，该参数表达的意思为：如果一个Task在一定时间内没有任何进入，即不会读取新的数据，也没有输出数据，则认为该Task处于Block状态，可能是卡住了，也许永远会卡住，为了防止因为用户程序永远Block住不退出，则强制设置了一个该超时时间（单位毫秒），默认是600000。如果你的程序对每条输入数据的处理时间过长（比如会访问数据库，通过网络拉取数据等），建议将该参数调大，该参数过小常出现的错误提示是“AttemptID:attempt_14267829456721_123456_m_000224_0Timed out after 300 secsContainer killed by the ApplicationMaster.”。
2、HDFS小文件优化方法
HDFS上每个文件都要在NameNode上建立一个索引，这个索引的大小约为150byte，这样当小文件比较多的时候，就会产生很多的索引文件，一方面会大量占用NameNode的内存空间，另一方面就是索引文件过大使得索引速度变慢。
小文件的优化无非以下几种方式：
（1）在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS。
（2）在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。
（3）在MapReduce处理时，可采用CombineTextInputFormat提高效率。
1．HadoopArchive
是一个高效地将小文件放入HDFS块中的文件存档工具，它能够将多个小文件打包成一个HAR文件，这样就减少了NameNode的内存使用。
2．SequenceFile
SequenceFile由一系列的二进制key/value组成，如果key为文件名，value为文件内容，则可以将大批小文件合并成一个大文件。
3、CombineFileInputFormat
CombineFileInputFormat是一种新的InputFormat，用于将多个文件合并成一个单独的Split，另外，它会考虑数据的存储位置。
4、开启JVM重用
对于大量小文件Job，可以开启JVM重用会减少45%运行时间。
JVM重用原理：一个Map运行在一个JVM上，开启重用的话，该Map在JVM上运行完毕后，JVM继续运行其他Map，减少开启时间
具体设置：mapreduce.job.jvm.numtasks值在10-20之间。