Hadoop如何调优

这篇文章将为大家详细讲解有关Hadoop如何调优，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

我们提供的服务有：网站建设、成都网站设计、微信公众号开发、网站优化、网站认证、东光ssl等。为上千企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务，是有科学管理、有技术的东光网站制作公司

一 HDFS相关的调优

     关于HDFS的参数调优，第一个就是数据块的大小dfs.block.size,之前默认是64m,hadoop 2.x好像已经改为128m了，如果网络环境比较好，建议根据实际业务需求，适当的调大一些。

其他的例如设置文件的备份数目，默认是3，一般不建议更改。一份保存在datanode节点上，一份保存在同一个机架的其他节点上，另一份保存在其他的机架上，默认情况下，数据是随机分配在各个节点上的，但是可以通过设置机架感知，使得数据在节点间的网络传输减少。

配置如下：在namenode的节点配置hdfs-site.xml

  topology.script.file.name
  /path/to/RackAware.py
输入某台datanode的ip,返回该ip对应的机架。是在脚本中实现的。
#! /usr/bin/python
import sys

rack={"192.168.1,15":"rack1",
       "192.168.1.16":"rack1",
       "192.168.1.17":"rack2",
       "192.168.1.18":"rack2"}

if __name__=="__main__":
   print "/"+rack.get(sys.argv[1],"rack0"}
设置mapred.local和dfs.data.dir，这两个参数配置的值应当分布在各个磁盘的目录上。
二 mapreduce的调优
首先从map阶段说起，就是设置map的个数问题，默认只有一个map线程，设置map参数的个数是mapred.map.tasks reduce则是mapred.reduce.tasks。因为这两个参数的设置是影响到整个集群的，就是说会考虑到单台机器上的map，reduce个数。map.tasktracker.map.tasks.maxinum和map.tasktracker.reduce.tasks.maxinum这两个参数设置了一台机器上最多能同时运行的map和reduce数目。还有，就是map和reduce之间是怎么样的配比比较好呢？通过观察web界面，查看map和reduce的进度，可以发现当reduce执行到33%时候，map正好执行100%，所以我们可以在控制reduce启动的时间，不让reduce在等待。
当map，reduce个数确定了，根据业务需要，最好设置Combiner 。然后是设置map输出结果到缓存的大小，因为每一个map或者reduce都是一个task，都会启动一个jvm,,io.sort.mb就是分配map端buffer的大小，等于mb*io.sort.spill.percent。
对于map的结果，我们可以设置压缩，减少网络传输。那么建议打开mapred.compress.map.output压缩选项，并配置 mapred.map.output.compression.codec压缩编码格式，一般都会使用snappy，因为这种格式对于压缩和解压缩都相对较快
还有如果你的集群是异构的，有的机器好，有的机器性能差，建议打开推测性执行，打开mapred.reduce.tasks.speculative.execution，有利于优化进程分配，提高集群性能。
在reduce阶段，从map端拷贝数据时，可以设置最大并行拷贝线程数，这些线程会同时从不同的datanode上去map结果 设置mapred.reduce.parallel.copies
下面是一些调优的参数列表：
name
说明
mapred.task.profile
是否对任务进行profiling，调用java内置的profile功能，打出相关性能信息
mapred.task.profile.{maps|reduces}
对几个map或reduce进行profiling。非常影响速度，建议在小数据量上尝试
mapred.job.reuse.jvm.num.tasks
1表示不reuse，-1表示无限reuse，其他数值表示每个jvm reuse次数。reuse的时候，map结束时不会释放内存！
mapred.{map|reduce}.tasks.speculative.execution
会对运行慢的任务起一个备份任务，看哪个先完成，kill掉后完成的备份
io.sort.spill.percent
开始spill的内存比例阈值，对map和reduce都生效
mapred.job.shuffle.input.buffer.percent
reduce在copy时使用的堆空间的比例
mapred.tasktracker.{map|reduce}.tasks.maximum
一个Tasktracker上可同时运行的最大map、reduce任务数
mapred.reduce.copy.backoff
reduce获取一份map输出数据的最大时间，单位秒。
io.compression.codecs
压缩算法
dfs.block.size
hdfs上的文件block大小
mapred.reduce.slowstart.completed.maps
控制reduce的启动时机。表示全部map的百分之多少完成后，才启动reduce。如果机器内存紧张，可以适当设大改参数，等大部分map结束并释放内存后才启动reduce；如果希望尽快开始shuffle，则可配合大量map数，将该值设小，以尽早启动reduce，开始copy。
io.sort.mb
map使用的缓存，影响spill的次数。
mapred.child.java.opts
同时设置map和reduce的jvm参数
mapred.map.child.java.opts
分开设置map的jvm参数，包括GC策略
mapred.reduce.child.java.opts
分开设置reduce的jvm参数
map.sort.class
对map的输出key的排序方法
mapred.output.compression.type
压缩类型
mapred.min.split.size
每个map的最小输入大小，该值越大，map数越少
mapred.max.split.size
每个map的最大输入大小，该值约小，map数越多
mapred.reduce.parallel.copies
reduce从map结果copy数据时，每个reduce起的并行copy线程数。该值越大，io压力越大，但可能引起网络堵塞，copy效率反而降低。
io.sort.factor
merge时的并行merge数，同时影响map的spill文件merge和reduce中的merge
mapred.compress.map.output
指定map的输出是否压缩。有助于减小数据量，减小io压力，但压缩和解压有cpu成本，需要慎重选择压缩算法。
mapred.map.output.compression.codec
map输出的压缩算法
mapred.output.compress
reduce输出是否压缩
mapred.output.compression.codec
控制mapred的输出的压缩的方式
io.sort.record.percent
map中间数据的index和data在io.sort.mb中占内存的比例，默认0.05%，需要根据具体数据的特点调整：index的大小固定为16byte，需要根据data的大小调整这个比例，以使io.sort.mb的内存得到充分利用）。
关于“Hadoop如何调优”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
            
            
                        

            当前文章：Hadoop如何调优            

            分享URL：http://cdxtjz.com/article/jiogcc.html