hadoop作业map过程调优使用到的参数笔记

参数：io.sort.mb（default 100）

当map task开始运算，并产生中间数据时，其产生的中间结果并非直接就简单的写入磁盘。

而是会利用到了内存buffer来进行已经产生的部分结果的缓存，

并在内存buffer中进行一些预排序来优化整个map的性能。

每一个map都会对应存在一个内存buffer,map会将已经产生的部分结果先写入到该buffer中，

这个buffer默认是100MB大小，

但是这个大小是可以根据job提交时的参数设定来调整的，

当map的产生数据非常大时，并且把io.sort.mb调大，

那么map在整个计算过程中spill的次数就势必会降低，

map task对磁盘的操作就会变少，

如果map tasks的瓶颈在磁盘上，这样调整就会大大提高map的计算性能。

参数:o.sort.spill.percent（default 0.80,也就是80%）

map在运行过程中，不停的向该buffer中写入已有的计算结果，

但是该buffer并不一定能将全部的map输出缓存下来，

当map输出超出一定阈值（比如100M），那么map就必须将该buffer中的数据写入到磁盘中去，

这个过程在mapreduce中叫做spill。

map并不是要等到将该buffer全部写满时才进行spill，

因为如果全部写满了再去写spill，势必会造成map的计算部分等待buffer释放空间的情况。

所以，map其实是当buffer被写满到一定程度（比如80%）时，就开始进行spill。

这个阈值也是由一个job的配置参数来控制，

这个参数同样也是影响spill频繁程度，进而影响map task运行周期对磁盘的读写频率的。

但非特殊情况下，通常不需要人为的调整。调整io.sort.mb对用户来说更加方便。

参数:io.sort.factor

当map task的计算部分全部完成后，如果map有输出，就会生成一个或者多个spill文件，这些文件就是map的输出结果。

map在正常退出之前，需要将这些spill合并（merge）成一个，所以map在结束之前还有一个merge的过程。

merge的过程中，有一个参数可以调整这个过程的行为，该参数为：io.sort.factor。

该参数默认为10。它表示当merge spill文件时，最多能有多少并行的stream向merge文件中写入。

比如如果map产生的数据非常的大，产生的spill文件大于10，而io.sort.factor使用的是默认的10，

那么当map计算完成做merge时，就没有办法一次将所有的spill文件merge成一个，而是会分多次，每次最多10个stream。

这也就是说，当map的中间结果非常大，调大io.sort.factor，

有利于减少merge次数，进而减少map对磁盘的读写频率，有可能达到优化作业的目的。

参数:min.num.spill.for.combine（default 3）

当job指定了combiner的时候，我们都知道map介绍后会在map端根据combiner定义的函数将map结果进行合并。

运行combiner函数的时机有可能会是merge完成之前，或者之后，这个时机可以由一个参数控制，

即min.num.spill.for.combine（default 3），当job中设定了combiner，并且spill数最少有3个的时候，

那么combiner函数就会在merge产生结果文件之前运行。

通过这样的方式，就可以在spill非常多需要merge，并且很多数据需要做conbine的时候，

减少写入到磁盘文件的数据数量，同样是为了减少对磁盘的读写频率，有可能达到优化作业的目的。

参数:mapred.compress.map.output(default false)

减少中间结果读写进出磁盘的方法不止这些，还有就是压缩。

也就是说map的中间，无论是spill的时候，还是最后merge产生的结果文件，都是可以压缩的。

压缩的好处在于，通过压缩减少写入读出磁盘的数据量。

对中间结果非常大，磁盘速度成为map执行瓶颈的job，尤其有用。

控制map中间结果是否使用压缩的参数为：mapred.compress.map.output(true/false)。

将这个参数设置为true时，那么map在写中间结果时，就会将数据压缩后再写入磁盘，读结果时也会采用先解压后读取数据。

这样做的后果就是：写入磁盘的中间结果数据量会变少，但是cpu会消耗一些用来压缩和解压。

所以这种方式通常适合job中间结果非常大，瓶颈不在cpu，而是在磁盘的读写的情况。

说的直白一些就是用cpu换IO。

根据观察，通常大部分的作业cpu都不是瓶颈，除非运算逻辑异常复杂。所以对中间结果采用压缩通常来说是有收益的。

参数:mapred.map.output.compression.codec( default org.apache.hadoop.io.compress.DefaultCodec)

当采用map中间结果压缩的情况下，用户还可以选择压缩时采用哪种压缩格式进行压缩，

现在hadoop支持的压缩格式有：GzipCodec，LzoCodec，BZip2Codec，LzmaCodec等压缩格式。

通常来说，想要达到比较平衡的cpu和磁盘压缩比，LzoCodec比较适合。但也要取决于job的具体情况。

用户若想要自行选择中间结果的压缩算法，

可以设置配置参数：mapred.map.output.compression.codec=org.apache.hadoop.io.compress.DefaultCodec或者其他用户自行选择的压缩方式

转载来源:

http://cloud.csdn.net/a/20110121/290650.html