作者：李万雪， eBay软件开发工程师，2017年毕业于上海交通大学。目前负责日志在大数据平台上的分析和opentracing在ebay日志平台的实现。
摘要
eBay的CAL（Central Application Logging）系统负责收集eBay各种应用程序的日志数据，并且通过Hadoop MapReduce job生成日志报告，应用程序开发人员与运维人员通过报告可获得以下内容：
- API调用响应时间的百分位值
- 服务调用关系
- 数据库操作
eBay每天产生PB量级的CAL日志，其数据量每天都在增加。对于日益增长的数据量，Hadoop MapReduce job的优化将会大大节省计算资源。本文将分享eBay团队如何对这些Hadoop job进行优化，希望为开发者带来启发，解决Hadoop MapReduce（MR）job实践中存在的问题。
为什么要优化
CAL报告的Hadoop job现状如下：
- 数据集：CAL每天的日志量为PB量级，并以每年70%的速度增加，CAL收集的日志来自不同的应用程序，其日志的内容也有所不同。有些属于数据库操作密集型，有些则包含着复杂的嵌套事务，且每个应用程序日志的数据量差异大。
- 计算资源：CAL使用的是共享Hadoop集群。优化前，CAL Hadoop job需要使用约50％整个集群的资源才能完成。CAL报告Hadoop job在一天中，其中有9个小时只能使用19%的集群计算资源，不能在这段时间获得资源执行的job将会等待在队列中，直到这9小时结束，它才能有80%的集群计算资源可以使用。
- 成功率：CAL MapReduce job的成功率仅92.5％。
eBay团队如何优化
在分享我们的经验之前，我们先简单介绍Hadoop MapReduce的流程。
Hadoop MR job一般分为五个阶段，即CombineFileInputFormat, Mapper, Combiner, Partitioner, 以及Reducer。
我们的优化工作主要从执行时间和资源使用两方面考虑。
1） 执行时间
Hadoop job的执行时间取决于最慢的Mapper任务和最慢的reducer任务的时长。
假设：
那么，MR job执行时间 T则可表示为：
Map任务的执行时间与Map任务的输入记录个数、输出记录个数成正比。
此外，Hadoop job的计算复杂度也会影响Hadoop job的执行时间。同时对于某些极端的job，我们应关注job的GC时间。
综上所述，我们从以下三个方面来减少Hadoop的执行时间：
- GC时间
- 尽量避免Mapper和Reducer的数据倾斜
- 优化算法
2）资源使用
考虑到内存的资源使用，假设：
那么, Hadoop job的内存资源使用量R与Mapper/Reducer任务的执行时间成正比，可表示为：
因此，为了降低资源使用，我们可以从以下几个方面下功夫：
- 减少Map或Reduce任务个数
- 减少Map或Reduce任务容器大小
- 优化job的执行时间
解决方案
1. GC
GC是我们遇到的很明显的问题。job失败的原因通常是“GC overhead”或“Out of Memory”。即便job成功了，通过Hadoop job计数器,可以看到其GC时间也很长，同时GC也会消耗大量的CPU资源。
1) Mapper中的GC
所有发到CAL的日志，都会使用CALrecord的数据结构。CAL事务是由多个CALrecord组成的逻辑概念。
CAL事务一般可以对应到用户的请求上。当应用程序对用户的请求作出响应时，应用程序都会记录CAL事务到CAL服务，而为了完成用户请求，这个CAL 事务往往会调用多个子CAL事务协同完成。也就是说，CAL 事务是一个树状结构，每个CAL事务都是这个树状结构的一个节点，而报告中需要的指标（Metrics）需要让每个节点知道其根节点信息，而在构建这个树状结构的过程中，节点是无序的。因此，需要保留所有节点信息以便帮助后来节点追溯其根节点。
例如，下图展示了典型的树状事务层次结构。CAL事务 F是根。它会调用B和G来处理用户请求。如果我们已经有了F、 B、 C，C要等到D节点出现，才能找到根 F。同时，这棵树上的所有节点都需要保存在内存中，否则其子节点将不能找到其根。
显然，这种情况没有清理机制，会导致OOM。为了解决这个问题，从日志的业务逻辑上，CAL事务应该具有时间窗属性，涉及同一个用户请求的所有CAL事务都应该发生在一个时间窗内。如果时间窗为t，并且CAL 事务的开始时间戳为ts，则所有子CAL事务应在ts + t之前发生。
在我们的实验中，我们假设时间窗为5分钟。我们对12个日志量最大的应用程序的日志数据来验证此假设。即，若现在正在处理数据时间戳为ts的CAL事务，则时间戳在ts-5分钟之前的 CAL事务都将从内存中移除。12个应用程序日志中，有10个可以保证几乎100％的准确性。同时，其他2个应用程序，此功能将会影响其正确性，我们对其设置了白名单，暂时不对其做处理。
时间窗口的设置有效地减少了Hadoop job执行时间，并将其成功率从93％提高到97％。
CAL日志与指标
优化之前，Mapper在处理一个CAL事务的时候，将组成该事务的CAL record完全读取到内存中，然后提取出CAL事务有关的所有指标，如上图左侧所示。而CAL事务的原始信息并不完全需要保存在内存中，我们只需要保存必要的指标即可，如上图右侧所示。
Combiner可以减少Mapper和Reducer任务之间的数据传输。在实际应用中，由于Mapper的输出数据量很大，Hadoop对Mapper的输出数据做排序时，将带来较长的GC。我们的解决方案是在Mapper端使用Combiner做预处理，减少Mapper与Reducer间的传输数据量，有效降低执行时间。
2) Reducer中的GC
Reducer与Mapper具有类似的GC问题。
用于生成CAL报告的Hadoop job输出两种类型的数据——15分钟粒度的指标数据和用1小时粒度的指标数据。其中Mapper负责将日志映射为对应的指标，指标格式为三元组<时间戳，指标名称，指标的值>，其中时间戳粒度为15分钟，当Mapper将这些信息发送给reducer时候<时间戳，指标名称>将作为键值，<指标的值>作为值，在reducer中，将不同Mapper任务输出的指标聚合（如计数，求和等），聚合的结果包括15分钟和1小时两种粒度。
在MR中，Reducer收到的数据，Hadoop将根据其键值排好顺序。优化前，Mapper发送给Reducer的数据以“时间戳+指标名称”作为键值，Reducer收到的数据格式和顺序如下图左侧部分：
Reducer 收到的数据
当计算指标Metrics1一小时粒度的值时，需要得到当前小时最后15分钟（Timestamp4）的数据，并保存Metrics1的其他时间的数据。即为了计算N个指标的一小时粒度的值，需要保存3N条数据在内存中。当N很大时，内存溢出在所难免。
为了解决这个问题，我们将键值从“时间戳+指标名称”调整为“指标名称+时间戳”。 为了计算指标Metrics1的一小时粒度的值，我们仅需保存3条数据在内存中，解决了Reducer中内存过量使用导致的问题。
该方法解决了Reducer中的问题，并增强了Reducer的可扩展性。
2. 数据倾斜
在检查Hadoop job里map任务和reduce任务时，我们发现一个Job中的多个map任务的执行时间从3秒到超过1小时不等。Reducer任务也有类似的问题。
由之前章节中的公式，我们将输入记录平均分配给Mapper或Reducer，以最小化
CombineFileInputFormat可以帮助解决Mapper中的数据倾斜问题。之前，CAL MR job没有使用CombineFileInputFormat，使用CombineFileInputFormat后，其将多个小文件合并成一个分片，分片大小设置为256MB，每个Mapper处理一个分片，这使Mapper任务数量减少到之前的一半。
Partition能够处理Reducer中的数据倾斜问题。在CAL报告中存在着两个概念，一是报告名称，二为指标名称。对于每种报告，都有多个指标。优化前，分区策略是使用报告名称的哈希值。现在，使用报告名称和指标名称的哈希值作为分区策略，极大的改善了数据倾斜的状况。
3. 优化算法
在Hadoop job执行时间的公式中，job执行时间与输入记录个数成正比。实验中，有两个数据集。数据集A为20MB，数据集B为100MB。数据集A的MR job需要90分钟才能完成。以B作为输入的job仅需8分钟就能完成。
分析CAL日志内容，有两种类型的日志：SQL日志和事件日志。SQL日志即数据库操作有关的日志。事件日志可能会引用SQL日志，而解析SQL日志则更为耗时。
因此，我们计算了A和B中的SQL日志数目，结果显示它们的数目接近。而在A中，引用了SQL的事件日志数目更多。显然，对处理引用了SQL的日志上，出现了一些重复的计算——每次引用都会重新解析被引用的SQL日志。为了解决这个问题，我们缓存了SQL的解析结果，在引用时直接使用缓存结果。优化之后，A的job可以在4分钟内完成。
优化结果
通过以上三个方面的优化，除了执行时间，任务的资源使用情况也得到了优化。
在优化之前，CAL报告job需要Hadoop集群中50％的资源才能执行完成。优化后，只需19%的资源就能执行完成。下图显示了Hadoop Cluster上的内存资源使用情况。左侧是优化前的情况，右侧是当前的情况。
Hadoop Eagle中的资源使用情况
Hadoop Eagle中的计算资源使用率
Job的成功率从92.5％增加到约99.9％。从 Hadoop平台服务质量考虑，Hadoop 将会终止执行时间超过1小时的job，而部分应用程序的数据需要更复杂的计算，所以很难在1小时内完成。优化后95分位的Hadoop job执行时间约为40分钟，远低于优化前的90分钟。
CAL报告MR job执行时间趋势
本次优化后，我们节省了超过60％的相对计算资源，相当于Hadoop集群中大约200个Hadoop节点，并且Job的成功率增加到99.9％。
总 结
当对线上项目做优化工作时，应始终关注数据质量。因此，在优化之前，应最先制定验证方案，使用具有幂等属性的数据来验证数据质量。
同时监控也是优化工作的重点——我们把所关心的KPI，如成功率、资源使用情况和job执行时间收集起来，有助于优化过程中观察优化效果。
阿里巴巴开源大数据技术团队成立Apache Spark中国技术社区，定期推送精彩案例，技术专家直播，问答区近万人Spark技术同学在线提问答疑，只为营造纯粹的Spark氛围，欢迎钉钉扫码加入！
对开源大数据和感兴趣的同学可以加小编微信（下图二维码，备注“进群”）进入技术交流微信群。