hadoop 配置項的調優（R1）

dfs.block.size

  決定HDFS檔案block數量的多少(檔案個數),它會間接的影響Job Tracker的排程和記憶體的佔用(更影響記憶體的使用),

mapred.map.tasks.speculative.execution=true 

mapred.reduce.tasks.speculative.execution=true

這是兩個推測式執行的配置項,預設是true

所謂的推測執行，就是當所有task都開始執行之後，Job Tracker會統計所有任務的平均進度，如果某個task所在的task node機器配

置比較低或者CPU load很高（原因很多），導致任務執行比總體任務的平均執行要慢，此時Job Tracker會啟動一個新的任務

（duplicate task），原有任務和新任務哪個先執行完就把另外一個kill掉，這也是我們經常在Job Tracker頁面看到任務執行成功，但

是總有些任務被kill，就是這個原因。

mapred.child.java.opts

一般來說，都是reduce耗費記憶體比較大，這個選項是用來設定JVM堆的最大可用記憶體，但不要設定過大，如果超過2G(這是數字有

待考證)，就應該考慮一下最佳化程式。

Input Split的大小，決定了一個Job擁有多少個map，預設64M每個Split，如果輸入的資料量巨大，那麼預設的64M的block會有特

別多Map Task，叢集的網路傳輸會很大，給Job Tracker的排程、佇列、記憶體都會帶來很大壓力。

mapred.min.split.size

這個配置決定了每個Input Split 的最小值,也間接決定了一個job的map數量

HDFS塊大小是在job寫入時決定的,而分片的大小,是由三個元素決定的(在3各種去最大的那個)

(1) 輸入的塊數 (2) Mapred.min.split.size (3) Job.setNumMapTasks()

mapred.compress.map.output

壓縮Map的輸出，這樣做有兩個好處：
a)壓縮是在記憶體中進行，所以寫入map本地磁碟的資料就會變小，大大減少了本地IO次數
b) Reduce從每個map節點copy資料，也會明顯降低網路傳輸的時間
注：資料序列化其實效果會更好，無論是磁碟IO還是資料大小，都會明顯的降低。

io.sort.mb
以MB為單位，預設100M，這個值比較小
map節點沒執行完時，記憶體的資料過多，要將記憶體中的內容寫入洗盤，這個設定就是設定記憶體緩衝的大小，在suffle之前
這個選項定義了map輸出結果在記憶體裡佔用buffer的大小，當buffer達到某個閾值(後面那條配置)，會啟動一個後臺執行緒來對buffer

的內容進行排序，然後寫入本地磁碟(一個spill檔案)

根據map輸出資料量的大小，可以適當的調整buffer的大小，注意是適當的調整，並不是越大越好，假設記憶體無限大，

io.sort.mb=1024(1G), 和io.sort.mb=300 (300M)，前者未必比後者快：
（1）1G的資料排序一次
（2）排序3次，每次300MB
一定是後者快（歸併排序）

io.sort.spill.percent
這個值就是上面提到的buffer的閾值，預設是0.8，既80%，當buffer中的資料達到這個閾值，後臺執行緒會起來對buffer中已有的數

據進行排序，然後寫入磁碟，此時map輸出的資料繼續往剩餘的20% buffer寫資料，如果buffer的剩餘20%寫滿，排序還沒結束，

map task被block等待。
如果你確認map輸出的資料基本有序，排序時間很短，可以將這個閾值適當調高，更理想的，如果你的map輸出是有序的資料，那

麼可以把buffer設的更大，閾值設定為1.

Io.sort.factor
同時開啟的檔案控制程式碼的數量，預設是10
當一個map task執行完之後，本地磁碟上(mapred.local.dir)有若干個spill檔案，map task最後做的一件事就是執行merge sort，

把這些spill檔案合成一個檔案（partition，combine階段）。
執行merge sort的時候，每次同時開啟多少個spill檔案，就是由io.sort.factor決定的。開啟的檔案越多，不一定merge sort就越

快，也要根據資料情況適當的調整。
注：merge排序的結果是兩個檔案，一個是index，另一個是資料檔案，index檔案記錄了每個不同的key在資料檔案中的偏移量（即partition）。
在map節點上，如果發現map所在的子節點的機器io比較重，原因可能是io.sort.factor這個設定的比較小，io.sort.factor設定小的

話，如果spill檔案比較多，merge成一個檔案要很多輪讀取操作，這樣就提升了io的負載。io.sort.mb小了，也會增加io的負載。
如果設定了執行combine的話，combine只是在merge的時候，增加了一步操作，不會改變merge的流程，所以combine不會減少

或者增加檔案個數。另外有個min.num.spills.for.combine的引數，表示執行一個merge操作時，如果輸入檔案數小於這個數字，就

不呼叫combiner。如果設定了combiner，在寫spill檔案的時候也會呼叫，這樣加上merge時候的呼叫，就會執行兩次combine。

提高Reduce的執行效率，除了在Hadoop框架方面的最佳化，重點還是在程式碼邏輯上的最佳化.比如：對Reduce接受到的value可能有重

復的，此時如果用Java的Set或者STL的Set來達到去重的目的，那麼這個程式不是擴充套件良好的(non-scalable)，受到資料量的限制，

當資料膨脹，記憶體勢必會溢位

mapred.reduce.parallel.copies
Reduce copy資料的執行緒數量，預設值是5
Reduce到每個完成的Map Task 複製資料（透過RPC呼叫），預設同時啟動5個執行緒到map節點取資料。這個配置還是很關鍵的，

如果你的map輸出資料很大，有時候會發現map早就100%了，reduce卻在緩慢的變化，那就是copy資料太慢了，比如5個執行緒

copy 10G的資料，確實會很慢，這時就要調整這個引數，但是調整的太大，容易造成叢集擁堵，所以 Job tuning的同時，也是個權

衡的過程，要熟悉所用的資料！
mapred.job.shuffle.input.buffer.percent
當指定了JVM的堆記憶體最大值以後，上面這個配置項就是Reduce用來存放從Map節點取過來的資料所用的記憶體佔堆記憶體的比例，默

認是0.7，既70%，通常這個比例是夠了，但是對於大資料的情況，這個比例還是小了一些，0.8-0.9之間比較合適。（前提是你的

reduce函式不會瘋狂的吃掉記憶體）
mapred.job.shuffle.merge.percent(預設值0.66)
mapred.inmem.merge.threshold(預設值1000)
第一個指的是從Map節點取資料過來，放到記憶體，當達到這個閾值之後，後臺啟動執行緒（通常是Linux native process）把記憶體中的

資料merge sort，寫到reduce節點的本地磁碟；
第二個指的是從map節點取過來的檔案個數，當達到這個個數之後，也進行merger sort，然後寫到reduce節點的本地磁碟；這兩

個配置項第一個優先判斷，其次才判斷第二個thresh-hold。
從實際經驗來看，mapred.job.shuffle.merge.percent預設值偏小，完全可以設定到0.8左右；第二個預設值1000，完全取決於

map輸出資料的大小，如果map輸出的資料很大，預設值1000反倒不好，應該小一些，如果map輸出的資料不大（light

weight），可以設定2000或者以上。
mapred.reduce.slowstart.completed.maps （map完成多少百分比時，開始shuffle）

當map執行慢，reduce執行很快時，如果不設定mapred.reduce.slowstart.completed.maps會使job的shuffle時間變的很長，

map執行完很早就開始了reduce，導致reduce的slot一直處於被佔用狀態。mapred.reduce.slowstart.completed.maps 這個值是

和“執行完的map數除以總map數”做判斷的，當後者大於等於設定的值時，開始reduce的shuffle。所以當map比reduce的執行

時間多很多時，可以調整這個值（0.75,0.80,0.85及以上）

下面從流程裡描述一下各個引數的作用：
當map task開始運算，併產生中間資料時，其產生的中間結果並非直接就簡單的寫入磁碟。這中間的過程比較複雜，並且利用到了

記憶體buffer來進行已經產生的部分結果的快取，並在記憶體buffer中進行一些預排序來最佳化整個map的效能。每一個map都會對應存

在一個記憶體buffer（MapOutputBuffer），map會將已經產生的部分結果先寫入到該buffer中，這個buffer預設是100MB大小，但

是這個大小是可以根據job提交時的引數設定來調整的，該引數即為：io.sort.mb。當map的產生資料非常大時，並且把io.sort.mb

調大，那麼map在整個計算過程中spill的次數就勢必會降低，map task對磁碟的操作就會變少，如果map tasks的瓶頸在磁碟上，

這樣調整就會大大提高map的計算效能。
map在執行過程中，不停的向該buffer中寫入已有的計算結果，但是該buffer並不一定能將全部的map輸出快取下來，當map輸出

超出一定閾值（比如100M），那麼map就必須將該buffer中的資料寫入到磁碟中去，這個過程在mapreduce中叫做spill。map並

不是要等到將該buffer全部寫滿時才進行spill，因為如果全部寫滿了再去寫spill，勢必會造成map的計算部分等待buffer釋放空間的

情況。所以，map其實是當buffer被寫滿到一定程度（比如80%）時，就開始進行spill。這個閾值也是由一個job的配置引數來控

制，即io.sort.spill.percent，預設為0.80或80%。這個引數同樣也是影響spill頻繁程度，進而影響map task執行週期對磁碟的讀寫

頻率的。但非特殊情況下，通常不需要人為的調整。調整io.sort.mb對使用者來說更加方便。
當map task的計算部分全部完成後，如果map有輸出，就會生成一個或者多個spill檔案，這些檔案就是map的輸出結果。map在正

常退出之前，需要將這些spill合併（merge）成一個，所以map在結束之前還有一個merge的過程。merge的過程中，有一個引數

可以調整這個過程的行為，該引數為：io.sort.factor。該引數預設為10。它表示當merge spill檔案時，最多能有多少並行的stream

向merge檔案中寫入。比如如果map產生的資料非常的大，產生的spill檔案大於10，而io.sort.factor使用的是預設的10，那麼當

map計算完成做merge時，就沒有辦法一次將所有的spill檔案merge成一個，而是會分多次，每次最多10個stream。這也就是說，

當map的中間結果非常大，調大io.sort.factor，有利於減少merge次數，進而減少map對磁碟的讀寫頻率，有可能達到最佳化作業的

目的。
當job指定了combiner的時候，我們都知道map介紹後會在map端根據combiner定義的函式將map結果進行合併。執行combiner

函式的時機有可能會是merge完成之前，或者之後，這個時機可以由一個引數控制，即min.num.spill.for.combine（default 3），

當job中設定了combiner，並且spill數最少有3個的時候，那麼combiner函式就會在merge產生結果檔案之前執行。透過這樣的方

式，就可以在spill非常多需要merge，並且很多資料需要做conbine的時候，減少寫入到磁碟檔案的資料數量，同樣是為了減少對磁

盤的讀寫頻率，有可能達到最佳化作業的目的。
減少中間結果讀寫進出磁碟的方法不止這些，還有就是壓縮。也就是說map的中間，無論是spill的時候，還是最後merge產生的結

果檔案，都是可以壓縮的。壓縮的好處在於，透過壓縮減少寫入讀出磁碟的資料量。對中間結果非常大，磁碟速度成為map執行瓶

頸的job，尤其有用。控制map中間結果是否使用壓縮的引數為：mapred.compress.map.output(true/false)。將這個引數設定為

true時，那麼map在寫中間結果時，就會將資料壓縮後再寫入磁碟，讀結果時也會採用先解壓後讀取資料。這樣做的後果就是：寫

入磁碟的中間結果資料量會變少，但是cpu會消耗一些用來壓縮和解壓。所以這種方式通常適合job中間結果非常大，瓶頸不在

cpu，而是在磁碟的讀寫的情況。說的直白一些就是用cpu換IO。根據觀察，通常大部分的作業cpu都不是瓶頸，除非運算邏輯異常

複雜。所以對中間結果採用壓縮通常來說是有收益的。
當採用map中間結果壓縮的情況下，使用者還可以選擇壓縮時採用哪種壓縮格式進行壓縮，現在hadoop支援的壓縮格式有：

GzipCodec，LzoCodec，BZip2Codec，LzmaCodec等壓縮格式。通常來說，想要達到比較平衡的cpu和磁碟壓縮比，LzoCodec

比較適合。但也要取決於job的具體情況。使用者若想要自行選擇中間結果的壓縮演算法，可以設定配置引數：

mapred.map.output.compression.codec=org.apache.hadoop.io.compress.DefaultCodec或者其他使用者自行選擇的壓縮方式。



轉載地址：http://blog.sina.com.cn/s/blog_6a67b5c50100vop9.html