Hadoop作业性能指标及参数调优实例（二）Hadoop作业性能调优7个建议

关注

原创最新推荐文章于 2026-03-27 20:48:45 发布 2.6k 阅读 AI 写同款· GEO 优化 ›

大数据领域Hadoop的集群性能监控指标 Hadoop作为大数据处理的核心平台，其集群性能直接影响数据处理效率和系统稳定性。本文旨在系统性地介绍Hadoop集群性能监控的关键指标体系，帮助管理员和开发者全面掌握集群运行状态，及时发现和解决性能瓶颈。本文将从基础概念入手，逐步深入到指标采集、分析和应用的全过程，最后提供实战案例和工具推荐，形成完整的知识体系。NameNode：HDFS的元数据管理节点：YARN的资源调度核心组件DataNode：HDFS的数据存储节点：YARN的节点资源管理组件Block。阅读详情

作者:Shu, Alison

Hadoop作业性能调优的两种场景：

一、用户观察到作业性能差，主动寻求帮助。

（一）eBayEagle作业性能分析器

1. Hadoop作业性能异常指标

2. Hadoop作业性能调优7个建议

（二）其它参数调优方法

二、Hadoop集群报告异常，发现个别作业导致集群事故。

一、用户观察到作业性能差，主动寻求帮助。

（一）eBay Eagle作业性能分析器

对一般作业性能调优，eBay Eagle[i]的作业性能分析器已经能满足用户大部分需求。eBayEagle作业性能分析包含两个部分，第一部分是根据定量指标，捕捉性能异常的作业。在本文中，我们不考虑Hadoop集群或者节点故障造成作业性能的普遍下降，因此我们认为这些性能指标异常只与Hadoop作业有关，可以通过性能调优来改善。第二部分是调优建议。根据Hadoop作业性能异常指标判断作业是否需要调优，再综合采用第二部分的建议。第二部分也可以作为Hadoop作业开发的指引，并在后期性能测试中检查。

1. Hadoop作业性能异常指标

参阅《Hadoop作业性能指标及参数调优实例（一）Hadoop作业性能异常指标》

2. Hadoop作业性能调优的7个建议

§ 压缩输出文件

压缩可以节省磁盘和网络的IO,提高作业性能。Gzip/Snappy/Lzo/Bzip2都是常用的压缩格式，根据需要选用。

四种常用压缩格式的特征[ii]：

压缩格式	split	native	压缩率	速度	Hadoop自带	linux命令	换成压缩格式后，原来的应用程序是否要修改
Gzip	否	是	很高	比较快	是	有	和文本处理一样，不需要修改
Lzo	是	是	比较高	很快	否	有	需要建索引，还需要指定输入格式
Snappy	否	是	比较高	很快	否	没有	和文本处理一样，不需要修改
Bzip2	是	否	最高	慢	是	有	和文本处理一样，不需要修改

参数调优(用lzo压缩）：

mapreduce.output.fileoutputformat.compress=true

mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.LzoCodec

mapreduce.map.output.compress=true

mapreduce.map.output.compress.codec＝com.hadoop.compression.lzo.LzoCodec

§ 应对数据倾斜

如果一些Reduce比其它Reduce明显耗时更多，我们认为发生数据倾斜，整个作业会因为数据倾斜而耗时更多。

eBay Eagle对数据倾斜的定义：

(WorstReduceTime - avgReduceTime > 30 minutes)and (WorstReduceInputRecords / avgReduceInputRecords > 5)

有很多解决方案，例如写MapReduce作业时，合并中间数据，避免大量小文件。在工作中，我们碰到数据倾斜的咨询集中在Hive查询，参数调优如下：

－合并小文件((文件再小，Block再大，每个小文件都会占用一个Block)

hive.merge.mapfiles=true

hive.merge.size.per.task=256000000

－利用Map端聚合，达到Reduce负载均衡

hive.groupby.skewindata=true

hive.optimize.skewjoin=true

hive.map.aggr=true

hive.groupby.mapaggr.checkinterval = 100000

§ 增加内存，减少GC时间

当Map或Reduce内存不够时，需要更多的GC时间，从而影响作业性能。

eBay Eagle对GC时间过长的定义：

GC_TIME_MILLIS / CPU_MILLISECONDS > 0.1

作业参数调优，提高Heap size:

mapreduce.map.java.opts=-Xmx4g

mapreduce.reduce.java.opts=-Xmx4g

在提高Heap Size参数时，注意Heap Size不得超过物理内存。

mapreduce.map.memory.mb > mapreduce.map.java.opts

mapreduce.reduce.memory.mb >mapreduce.reduce.java.opts

§ 避开资源竞争

系统资源紧张会造成Map或Reduce进展缓慢。用户可以从Scheduler中观察不同queue的资源使用情况，避开繁忙的窗口。如果作业有多个queue可以选择，选择资源空闲的queue。

设置queue:

mapreduce.queue.jobname=<queue_name>

示例：通过ResourceMananger web URL 观察系统资源使用情况

§ 增加内存，减少磁盘溢出

设置以下作业参数减少磁盘溢出：（适当大于默认值）

mapreduce.map.sort.spill.percent=1

mapreduce.task.io.sort.mb=1024

mapreduce.map.java.opts=-Xmx4096M

§ 保留系统默认的最小分片大小

有些人会设置split.minsize作业参数以控制Map数量，但这种做法会削弱数据本地性，降低作业性能，建议保留系统默认设置。在默认配置下，split大小和block大小是相同的，防止一个split如果对应的多个block而且这些block大多不在本地。

保留作业参数默认值：

mapreduce.input.fileinputformat.split.minsize＝0

§ 控制Map和Reduce数量

合理的Map和Reduce数量，有利于提高作业性能。我们可以通过参数直接设置Reduce的数量，但无法直接指定Map的数量。参考computeSplitSize()方法，当输入文件指定时，Map的数量由SplitSize决定,我们可以通过修改dfs.blocksize和split.minsize来设定Split Size。上文我们建议使用保留系统默认的最小分片大小，所以我们只能通过修改dfs.blocksize参数来控制Map数量。值得注意的是我们可以有若干办法控制输入文件。

当Map平均输入很大，或者用时太长，通过以下办法可以增加Map数量

－事先采用Splittable的压缩格式，比如Lzo格式压缩输入文件。

－设置较小的Block Size

当Map平均输入过小，或者用时太短，通过以下办法可以减少Map数量

－事先合并输入文件，减少小文件 (小文件太多，就算Block Size再大，每个小文件都会占用一个Block)

－设置较大的Block Size

computeSplitSize()方法说明[i]：