hadoop/mapred 优化方法

从三个方面着手优化 :

1. hadoop配置

2. 设计mapred/job

3. 代码级别.

 

一. conf/hadoop-site.xml配置.

经验要求高, 特别需要结合实际情况.

典型参数如

复制因子,

mapred.child.java.opts,

mapred.tasktracker.map.tasks.maximum,

mapred.tasktracker.reduce.tasks.maximum,

mapred.map.tasks,

mapred.reduce.tasks,

fs.inmemory.size.mb,

dfs.block.size

等等

 

二. 在同一个job内完成尽可能多的计算任务, 主要是设计key和自定义OutputFormat, 将能合并的计算任务合并.

举例 : 用户访问行为(userid, ip, cookie), 分别统计每个用户的ip数和cookie数.

最简单的设计, 是使用量个job, 分别计算ip数和cookie数.但是我们可以按照下面的思路, 在一个job中完成这两项计算 :

(a). 把userid和字段存储到key中

public class UserKey implements WritableComparable<UserKey>{

int userId;//userid

byte field;//0代表ip, 1代表cookie

@Override

public int compareTo(UserKey o) {

if(userId > o.userId)return 1;

if(userId < o.userId)return -1;

if(field > o.field)return 1;

if(field < o.field)return -1;

return 0;

}

@Override

public void readFields(DataInput in) throws IOException {

// TODO Auto-generated method stub

}

@Override

public void write(DataOutput out) throws IOException {

// TODO Auto-generated method stub

}

}

(b). 实现自定义的OutputFormat, 下面是两处关键代码如下 :

(x).

SequenceFile.Writer[] writers = new SequenceFile.Writer[2];

writers[0] = SequenceFile.createWriter(FileSystem.get(conf), conf, "ip", IntWritable.class, IntWritable.class, CompressionType.BLOCK, new DefaultCodec());

writers[1] = SequenceFile.createWriter(FileSystem.get(conf), conf, "field", IntWritable.class, IntWritable.class, CompressionType.BLOCK, new DefaultCodec());

(xx).

writers[key.field].append(key.userId, value.get());

 

三. 避免不必要的reduce任务.

(1). 假定要处理的数据是排序且已经分区的. 或者对于一份数据, 需要多次处理, 可以先排序分区.

(2). 自定义InputSplit, 将单个分区作为单个mapred的输入.

(3). 在map中处理数据, Reducer设置为空.

这样, 既重用了已有的 "排序", 也避免了多余的reduce任务.

 

四. 使用自定义的MapRunnable.

hadoop自带了两个MapRunnable,

(1). 一个是默认的单线程MapRunnable, org.apache.hadoop.mapred.MapRunner

(2).另一个是多线程的, org.apache.hadoop.mapred.lib.MultithreadedMapRunner.

根据特定情况, 可以自定义MapRunnable,

(1). 启用多线程, 比如web爬行时, 可启用多线程抓取网页.

(2). 避免map时, 单台tasktracker上辅助数据冗余, 比如在多模匹配时, 避免生成多份DFA.

 

五. 在某些情况下, 利用数据分布特性设计PARTITIONER的分区算法, 避免单个mapred消耗时间过长.

这跟木桶原理有些神似.

比如处理大量字符串时,

(1). 已知首字不同的字符串之间不存在任何关联关系

(2). 原始数据在某些 "首字" 上分布密集, 另一些 "首字" 上分布稀疏.

例如, 原始数据中, 1亿个以3开头, 1亿个以7开头, 3个以6开头.

那么,

(1). 如果以首字对4求余分区, 则 "1亿个以3开头" 和 "1亿个以7开头"将落在同一分区.若hadoop群集只支持同时2个map任务, 则...

(2). 如果以首字对3求余分区, 则 "1亿个以3开头" 和 "1亿个以7开头"将落在不同分区.

 

六. 最大限度地重用对象, 避免对象的生成/销毁开销.

该点在hadoop自带的org.apache.hadoop.mapred.MapRunner中尤为突出,

它使用同一个key对象和同一个value对象不停读取原始数据, 再将自身交给mapper处理.

(此处注意, 若要保留该对象的即时状态, 需要clone, 深克隆或浅克隆.)

 

七. 在逻辑意义上, 合并同一对象. 如dotnet和java中的字符串INTERN技术.

 

八. 根据已有条件, 简化循环判定.

比如, for(int i = 0; i < end && i < size; i++);

可以改成 :

end = end < size ? end : size;

for(int i = 0; i < end; i++);

 

九. 降低多线程数目, 而让固定数目的线程循环处理.

比如, 一台机器8个CPU, 现在需要处理80亿个数据,

那么下面两个方案 :

(1). 启动800个线程, 每个线程处理80亿/800个数据.

(2). 启动8个线程(注意, 此处是8个), 每个线程循环处理, 每次循环处理100万个.

通常我个人选择方案(2).因为 :

(1). 最大限度利用了CPU.

(2). 避免了线程调度.

(3). 在java中, 可以使用AtomicInteger控制线程循环, AtomicInteger的效率很高.

(4). 有时, 还可以避免单个线程消耗时间过长.

 

十. 使用位移替代浮点数计算. 比如用 100 >> 3替代100 * 0.125.

(另外, 我们会需要将某个中间值乘以一个调节因子(经验值), 比如乘以0.12,

如果乘以0.12和0.124 "差不多" 时, 可以考虑直接使用位移).

 

十一. 避免循环体内不必要的判断逻辑, 与第八条不同.

比如, 处理10亿个数据, 每遇到一个有效数据时, 需要同前一个有效数据进行关联处理(或与前一个中间值进行关联处理),

for(int i = 0; i < size; i++)

{

//1. 判定是否存在前一个有效数据

//2. 如果不存在前一个有效数据, 则continue;

//3. 如果存在前一个有效数据, 则进行关联处理, 再continue.

}

通常在此种需求下, 一旦遇到一个有效数据, 必定会产生一个可供后续紧邻数据关联的值,

那么 :

int i = 0;

for(int i = 0; i < size; i++)

{

//1. data[i]是否有效?

//2. data[i]无效, continue;

//3. data[i]有效, break;

}

for(; i < size; i++)

{

//与前一个有效数据进行关联处理, 再continue.

}

 

十二. 方法调用过程, 辅助数据尽量放在方法体内, 避免使用全局辅助数据, 一来节省内存, 二来提高对象可重用性.

 

十三. 尽量不要生成转瞬即逝的对象, 或者专门构建专属对性来完成这一任务. 比如提供直接使用构造函数参数进行序列化的静态方法, 避免先使用参数构造对象再进行序列化.

 

十四. 利用-1 和 1的关联性, 减少内存使用量.

 

十五. 对于方方正正的多位数组Arr[d0][d1][d2]..[dn], 且di >> d(i+1)时, 可以考虑使用一维数组替代.

这是因为java中多位数组实际上使用 "数组的数组" 实现的.

转自：http://thethethethethethe.spaces.live.com/blog/cns!A001241972EA08EA!232.entry