Shuffle机制及优化

Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle。

在这里插入图片描述

具体Shuffle过程详解： (1)MapTask收集我们的map()方法输出的kv对，放到内存缓冲区中 (2)从内存缓冲区不断溢出本地磁盘文件，可能会溢出多个文件 (3)多个溢出文件会被合并成大的溢出文件 (4)在溢出过程及合并的过程中,都要调用Partitioner进行分区和针对key进行排序 (5)ReduceTask根据自己的分区号，去各个MapTask机器上取相应的结果分区数据 (6)ReduceTask会取到同一个分区的来自不同MapTask的结果文件，ReduceTask会将这些文件再进行合并(归并排序) (7)合并成大文件后，Shuffle的过程就结束了，后面进入ReduceTask的逻辑运算过程(从文件中取出一个一个的键值对Group,调用用户自定义的reduce()方法) 注意:shuffle中的缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大磁盘io的次数越少，执行速度就越快。 缓冲区的大小可以通过参数调整，参数:io.sort.mb默然100M 优化 1.Map阶段 (1)增大环形缓冲区大小，有100M扩大到200M (2)增大环形缓冲区溢写的比例，由80%扩大到90% (3)减少对溢写文件的merge次数。 (4)不影响实际业务的前提下，采用Combiner提前合并，减少I/O 2.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)规避使用Reduce，因为Reduce在用于连接数据量集的时候将会产生大量的网络消耗。 (4)增加每个Reduce去Map中拿数据的并行数。 (5)集群性能可以的前提下，增大Reduce端存储数据内存的大小。 3）IO传输 采用数据压缩的方式，减少网络IO的的时间。安装Snappy和LZOP压缩编码器。 压缩： （1）map输入端主要考虑数据量大小和切片，支持切片的有Bzip2、LZO。注意：LZO要想支持切片必须创建索引； （2）map输出端主要考虑速度，速度快的snappy、LZO； （3）reduce输出端主要看具体需求，例如作为下一个mr输入需要考虑切片，永久保存考虑压缩率比较大的gzip。 4）整体 （1）NodeManager默认内存8G，需要根据服务器实际配置灵活调整，例如128G内存，配置为100G内存左右，yarn.nodemanager.resource.memory-mb。 （2）单任务默认内存8G，需要根据该任务的数据量灵活调整，例如128m数据，配置1G内存，yarn.scheduler.maximum-allocation-mb。 （3）mapreduce.map.memory.mb ：控制分配给MapTask内存上限，如果超过会kill掉进程（报：Container is running beyond physical memory limits. Current usage:565MB of512MB physical memory used；Killing Container）。默认内存大小为1G，如果数据量是128m，正常不需要调整内存；如果数据量大于128m，可以增加MapTask内存，最大可以增加到4-5g。 （4）mapreduce.reduce.memory.mb：控制分配给ReduceTask内存上限。默认内存大小为1G，如果数据量是128m，正常不需要调整内存；如果数据量大于128m，可以增加ReduceTask内存大小为4-5g。 （5）mapreduce.map.java.opts：控制MapTask堆内存大小。（如果内存不够，报：java.lang.OutOfMemoryError） （6）mapreduce.reduce.java.opts：控制ReduceTask堆内存大小。（如果内存不够，报：java.lang.OutOfMemoryError） （7）可以增加MapTask的CPU核数，增加ReduceTask的CPU核数 （8）增加每个Container的CPU核数和内存大小 （9）在hdfs-site.xml文件中配置多目录（多磁盘） （10）NameNode有一个工作线程池，用来处理不同DataNode的并发心跳以及客户端并发的元数据操作。dfs.namenode.handler.count=图片: https://uploader.shimo.im/f/IM1hShcaGURul0U4.png，，比如集群规模为8台时，此参数设置为41。可通过简单的python代码计算该值，代码如下。

[hadoop@hb ~]$ python
Python 2.7.5 (default, Apr 11 2018, 07:36:10) 
[GCC 4.8.5 20150623 (Red Hat 4.8.5-28)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import math
>>> print int(20*math.log(8))
41
>>> quit()