轉(zhuǎn)載自:https://my.oschina.net/u/2293326/blog/607540 歡迎閱讀原創(chuàng)。

image.png

Map 端導(dǎo)讀 :

1. map buffer

當(dāng)map task開始運算，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來進行已經(jīng)產(chǎn)生的部分結(jié)果的緩存，并在內(nèi)存buffer中進行一些預(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.

2. map spill size

map在運行過程中，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全部寫滿時才進行spill，因為如果全部寫滿了再去寫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其實是當(dāng)buffer被寫滿到一定程度（比如80%）時，就開始進行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，默認為0.80或80%

這個參數(shù)同樣也是影響spill頻繁程度，進而影響map task運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. map spill file merge

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)，進而減少map對磁盤的讀寫頻率，有可能達到優(yōu)化作業(yè)的目的。

4. map combiner

當(dāng)job指定了combiner的時候，我們都知道m(xù)ap結(jié)束后會在map端根據(jù)combiner定義的函數(shù)將map結(jié)果進行合并。

運行combiner函數(shù)的時機有可能會是merge完成之前，或者之后，這個時機可以由一個參數(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，有可能達到優(yōu)化作業(yè)的目的。

5. map output compress

減少中間結(jié)果讀寫進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：

image.png

map中間結(jié)果壓縮：

image.png

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。

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

Reduce 端導(dǎo)讀 :

reduce的運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需要處理的部分數(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部分數(shù)據(jù)。

這個過程就是通常所說的shuffle，也就是copy過程。

1. reduce shuffle parallelcopies

Reduce task在做shuffle時，實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的部分數(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)。

2. reduce merge

Reduce將map結(jié)果下載到本地時，同樣也是需要進行merge的，所以mapreduce.task.io.sort.factor的配置選項同樣會影響reduce進行merge時的行為，該參數(shù)的詳細介紹上文已經(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。

3. reduce spill

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。

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。

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，因為整個下載階段就已經(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。默認情況下為0，也就是說，默認情況下，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。

4. reduce 相關(guān)參數(shù)調(diào)優(yōu)