Hadoop企业优化，你了解吗？

Hadoop企业优化

1、MapReduce跑的慢的原因

MapReduce 程序效率的瓶颈在于两点：
计算机性能
CPU、内存、磁盘健康、网络
I/O 操作优化
（1）数据倾斜
（2）map和reduce数设置不合理 combineTextinputformat,分区
（3）map运行时间太长，导致reduce等待过久
（4）小文件过多
（5）spill(溢出)次数过多，溢出数据到磁盘
（6）merge次数过多等。Shuffule,溢出之后会有合并，reduce端也会有合并

2、MapReduce优化方法

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。

1)数据输入

（1）合并小文件：在执行MR任务前将小文件进行合并，大量的小文件会产生大量的map任务，大量节点资源被占用，从而导致MR整体运行较慢。
（2）采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。

2)Map阶段

（1）减少溢写（spill）次数：通过调整io.sort.mb及sort.spill.percent参数值（在mapred-default.xml），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：通过调整io.sort.factor参数（在mapred-default.xml），增大merge的文件数目，减少merge的次数，从而缩短MR处理时间。
（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。

3)Reduce阶段

（1）合理设置map和reduce数：两个都不能设置太少，也不能设置太多。太少，会导致task等待，延长处理时间；太多，会导致 map、reduce任务间竞争资源，造成处理超时等错误。
（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）**合理设置reduce端的buffer：**默认情况下，数据达到一个阈值的时候，buffer中的数据就会写入磁盘，然后reduce会从磁盘中获得所有的数据。也就是说，buffer和reduce是没有直接关联的，中间多个一个写磁盘->读磁盘的过程，既然有这个弊端，那么就可以通过参数来配置，使得buffer中的一部分数据可以直接输送到reduce，从而减少IO开销：mapred.job.reduce.input.buffer.percent，默认为0.0。当值大于0的时候，会保留指定比例的内存读buffer中的数据直接拿给reduce使用。这样一来，设置buffer需要内存，读取数据需要内存，reduce计算也要内存，所以要根据作业的运行情况进行调整。

4)数据倾斜问题

（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。
（2）减少数据倾斜的方法
方法1：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2：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3：采用Map Join，尽量避免Reduce Join。

常见错误及解决方案

（1）导包容易出错。尤其Text和CombineTextInputFormat。
（2）Mapper中第一个输入的参数必须是LongWritable或者NullWritable，不可以是IntWritable. 报的错误是类型转换异常。
（3）java.lang.Exception: java.io.IOException: Illegal partition for 13926435656 (4)，说明partition和reducetask个数没对上，调整reducetask个数。
（4）如果分区数不是1，但是reducetask为1，是否执行分区过程。答案是：不执行分区过程。因为在maptask的源码中，执行分区的前提是先判断reduceNum个数是否大于1。不大于1肯定不执行。
（5）在Windows环境编译的jar包导入到Linux环境中运行，
hadoop jar wc.jar com.bigdata.mapreduce.wordcount.WordCountDriver /user/bigdata/ /user/bigdata/output
报如下错误：
Exception in thread “main” java.lang.UnsupportedClassVersionError: com/bigdata/mapreduce/wordcount/WordCountDriver : Unsupported major.minor version 52.0
原因是Windows环境用的jdk1.7，Linux环境用的jdk1.8。
解决方案：统一jdk版本。
（6）缓存pd.txt小文件案例中，报找不到pd.txt文件。
原因：大部分为路径书写错误。还有就是要检查pd.txt的问题。还有个别电脑写相对路径找不到pd.txt，可以修改为绝对路径。
（7）报类型转换异常。
通常都是在驱动函数中设置map输出和最终输出时编写错误。
Map输出的key如果没有排序，也会报类型转换异常。
（8）集群中运行wc.jar时出现了无法获得输入文件。
原因：wordcount案例的输入文件不能放在hdfs集群的根目录。

谢谢观看，有问题感谢指正