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）其他參数调优方法
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作业性能分析包括两个部分，第一部分是依据定量指标。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，因此我们觉得这些性能指标异常仅仅与Hadoop作业有关，能够通过性能调优来改善。
第二部分是调优建议。依据Hadoop作业性能异常指标推断作业是否须要调优。再综合採用第二部分的建议。
第二部分也能够作为Hadoop作业开发的指引，并在后期性能測试中检查。
1. Hadoop作业性能异常指标
參阅《Hadoop作业性能指标及參数调优实例（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
压缩能够节省磁盘和网络的IO,提高作业性能。
Gzip/Snappy/Lzo/Bzip2都是经常使用的压缩格式，依据须要选用。
四种经常使用压缩格式的特征[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改动 |
|
Gzip |
否 |
是 |
非常高 |
比較快 |
是 |
有 |
和文本处理一样，不须要改动 |
|
Lzo |
是 |
是 |
比較高 |
非常快 |
否 |
有 |
须要建索引。还须要指定输入格式 |
|
Snappy |
否 |
是 |
比較高 |
非常快 |
否 |
没有 |
和文本处理一样，不须要改动 |
|
Bzip2 |
是 |
否 |
最高 |
慢 |
是 |
有 |
和文本处理一样，不须要改动 |
參数调优(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
假设一些Reduce比其它Reduce明显耗时很多其它，我们觉得发生数据倾斜，整个作业会由于数据倾斜而耗时很多其它。
eBay Eagle对数据倾斜的定义：
(WorstReduceTime - avgReduceTime > 30 minutes)and (WorstReduceInputRecords / avgReduceInputRecords > 5)
有非常多解决方式。比如写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。參数调优例如以下：
－合并小文件((文件再小，Block再大，每一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
§ 添加内存，降低GC时间
当Map或Reduce内存不够时。须要很多其它的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
作业參数调优。提高Heap size:
mapreduce.map.java.opts=-Xmx4g
mapreduce.reduce.java.opts=-Xmx4g
在提高Heap Size參数时，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。用户能够从Scheduler中观察不同queue的资源使用情况。避开繁忙的窗体。假设作业有多个queue能够选择，选择资源空暇的queue。
设置queue:
mapreduce.queue.jobname=<queue_name>
演示样例：通过ResourceMananger web URL 观察系统资源使用情况
§ 添加内存。降低磁盘溢出
设置下面作业參数降低磁盘溢出：（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作业參数以控制Map数量。但这样的做法会削弱数据本地性。减少作业性能。建议保留系统默认设置。
在默认配置下。split大小和block大小是同样的。防止一个split假设相应的多个block并且这些block大多不在本地。
保留作业參数默认值：
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。
我们能够通过參数直接设置Reduce的数量。但无法直接指定Map的数量。參考computeSplitSize()方法。当输入文件指定时，Map的数量由SplitSize决定,我们能够通过改动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，所以我们仅仅能通过改动dfs.blocksize參数来控制Map数量。值得注意的是我们能够有若干办法控制输入文件。
当Map平均输入非常大，或者用时太长。通过下面办法能够添加Map数量
－事先採用Splittable的压缩格式，比方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，通过下面办法能够降低Map数量
－事先合并输入文件，降低小文件 (小文件太多，就算Block Size再大，每一个小文件都会占用一个Block)
－设置较大的Block Size
computeSplitSize()方法说明[i]：
*上图为引用Hadoop The Definitive Guide 3rd Edition[i],
所列属性为Hadoop 1。在Hadoop 2中，部分属性名称已更新，比方Hadoop 1中dfs.block.size在Hadoop2中更新为dfs.blocksize.
eBay Eagle有关Map和Reduce数量的标杆：
Map作业满足下面条件之中的一个。觉得Map数量太多：
－输入 < 5 MB且用时 < 30秒
－用时 < 10秒
Map作业满足下面条件之中的一个，觉得Map数量太少：
－输入 > 1GB
－用时 > 10分钟
Reduce作业满足下面条件之中的一个，觉得Reduce数量不合理：
－输入 < 256MB 且总用时（包含Shuffle） < 5分钟 且 输出 < 256MB
－输入 > 10GB 且总用时（包含Shuffle） > 30分钟
－总用时（包含Shuffle） < 60秒
－总用时（包含Shuffle） > 1小时 且 用时（不包含Shuffle) > 30分钟
－输入 < 10MB 且用时（不包含Shuffle) < 5分钟 且 输出 < 2GB
－输出 > 10GB 且用时（不包含Shuffle) > 30分钟
Reduce数量推荐方案：
Reduce number=Max(input / 3 G, output / 2 GB,reduceTime / 10 minute)
指定Reduce数量的作业參数：
mapreduce.job.reduces=<Reduce number>
[i] eBay Eagle是eBay自主研发的系统，用于大型Hadoop集群管理，集监控、警示和智能修复功能于一体。eBayEagle即将开源，有望成为Apache的孵化项目。
[ii] http://my.oschina.net/mkh/blog/335395
[iii] Hadoop: TheDefinitive Guide, Third Edition. Hadoop: The Definitive Guide, Third Edition,ISBN: 9781449328917