hadoop的企业优化

前言：

　　mapreduce程序的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：
　　数据倾斜
　　map和reduce数量设置不合理
　　map的运行时间太长，导致reduc的等待过久
　　小文件过多
　　大量的补课分块的超大文件
　　spill（溢写）次数过多
　　merge（合并）次数过多

mapreduce优化方法

　　数据输入：

　　　　（1）合并小文件：在执行任务前将小文件进行合并

　　　　（2）采用combinetextinputformat来作为输入，解决输入端大量小文件的场景。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。　　　　　

　　　　　　combinetextinputformat.setmaxinputsplitsize(job, 4194304);// 4m

　　　　　　combinetextinputformat.setmininputsplitsize(job, 2097152);// 2m

　　　　　　job.setinputformatclass(combinetextinputformat.class) 

　　map阶段：

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

　　　　（3）在不影响业务逻辑的前提下，先进行combine处理，减少i/o。

　　reduce阶段：

　　　　（1）合理设置map和reduce的数量

　　　　（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

　　　　（4）合理使用reduce端的buffer

　　i/o传输：

　　　　（1）采用数据压缩的方法，减少网络io时间

　　　　（2）使用sequencefile二进制文件

　　数据倾斜问题：

　　　　（1）抽样和范围分区

　　　　（2）自定义分区

　　　　（3）combine

　　　　（4）采用map join，尽量避免reduce join

　　jvm重用：

　　　　对于大量的小文件job，开启jvm重用会减少45%运行时间。　

　　　　具体设置：mapreduce.job.jvm.numtasks 值在 10-20 之间。