一篇长文梳理Hadoop YARN和MapReduce优化

Apache Hadoop YARN

【HDFS可以理解为分布式硬盘-分布式文件管理系统，YANR可以理解为分布式的操作系统-分布式资源（cpu, memory, disk, network）管理和分布式的进程调度，MapReduce是运行在分布式操作系统YARN上的应用程序，还有Spark on YARN、Flink on YARN等等，WritingYarnApplications可参考官方文档】

https://hadoop.apache.org/docs/stable/hadoop-yarn/hadoop-yarn-site/WritingYarnApplications.html

YARN的基本思想是将资源管理和作业调度/监控的功能拆分为单独的守护进程。有一个全局ResourceManager（RM）和每个应用程序ApplicationMaster（AM）。应用程序可以是单个作业，也可以是作业的DAG。作业：Job或Application（DAG可以是多个“Job”）。

ResourceManager和NodeManager构成了数据计算框架。ResourceManager拥有在分布式系统中所有应用程序之间分配协调资源的最终权限。NodeManager是每台机器的框架代理，负责管理其机器上的所有Container，监视其资源使用情况（cpu，内存，磁盘，网络），并将资源情况报告给ResourceManager 或 Scheduler。

YARN是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式的操作系统平台，而MapReduce等运算程序则相当于运行于操作系统之上的应用程序。通常，单个操作系统，资源管理的最小单位是进程，资源调度的最小单位是线程。YARN调度的最小单位依然是进程（比如MapTask、ReduceTask、Executor、TaskManager）

YARN基本架构

YARN主要由ResourceManager和NodeManager构成

MapReduce on YARN运行机制

（1）Job(Application)提交

第0步：MR Client端调用job.waitForCompletion方法，向整个集群提交MapReduce作业。

第1步：Client向RM申请一个Application id。

第2步：RM给Client返回该job资源的提交路径和Application id。

第3步：Client提交jar包、切片信息和配置文件到指定的资源提交路径（HDFS）。

第4步：Client提交完资源后，向RM申请运行MrAppMaster（适配YARN的ApplicationMaster）。

（2）Job(Application)初始化

第5步：当RM收到Client的请求后，将该job添加到容量调度器中（任务队列）。

第6步：某一个空闲的NM领取到该job。

第7步：该NM创建Container（资源抽象），并通过命令启动运行MrAppMaster。

第8步：下载Client提交的资源到本地。

（3）资源分配

第9步：MrAppMaster向RM申请运行多个maptask任务资源。

第10步：RM将运行maptask任务分配给另外两个NodeManager，另两个NodeManager分别领取任务并创建容器。

（4）资源调度

第11步：MR向两个接收到任务的NodeManager发送程序启动脚本，这两个NodeManager分别启动maptask，maptask对数据分区排序。

第12步：MrAppMaster等待所有maptask运行完毕后，向RM申请容器，运行reduce task。

第13步：reduce task向maptask获取相应分区的数据。

第14步：程序运行完毕后，MR会向RM申请注销自己。

（5）进度和状态更新

YARN中的任务将其进度和状态(包括counter)返回给应用管理器, 客户端每秒(通过mapreduce.client.progressmonitor.pollinterval设置)向应用管理器请求进度更新, 展示给用户。

（6）作业完成

除了向应用管理器请求作业进度外, 客户端每5分钟都会通过调用waitForCompletion()来检查作业是否完成。时间间隔可以通过mapreduce.client.completion.pollinterval来设置。作业完成之后, 应用管理器和Container会清理工作状态。作业的信息会被作业历史服务器存储以备之后用户核查。

资源调度器

目前，Hadoop作业调度器主要有三种：FIFO、Capacity Scheduler和Fair Scheduler。

yarn-default.xml文件

<property>
  <description>The class to use as the resource scheduler.</description>
  <name>yarn.resourcemanager.scheduler.class</name>
  <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>

1）先进先出调度器（FIFO）

2）容量调度器（Capacity Scheduler）

3）公平调度器（Fair Scheduler）

MR任务的推测执行

1）作业完成时间取决于最慢的任务完成时间

一个作业由若干个Map任务和Reduce任务构成。

因硬件老化、软件Bug等，某些任务可能运行非常慢。

典型案例：系统中有99%的Map任务都完成了，只有少数几个Map老是进度很慢，完不成，怎么办？

2）推测执行机制：

发现拖后腿的任务，比如某个任务运行速度远慢于任务平均速度。

为拖后腿任务启动一个备份任务，同时运行。

谁先运行完，则采用谁的结果。

3）执行推测任务的前提条件

（1）每个task只能有一个备份任务；

（2）当前job已完成的task必须不小于0.05（5%）

（3）开启推测执行参数设置。

mapred-site.xml文件中默认是打开的。

<property>
  <name>mapreduce.map.speculative</name>
  <value>true</value>
  <description>If true, then multiple instances of some map tasks may be executed in parallel.</description>
</property>
<property>
  <name>mapreduce.reduce.speculative</name>
  <value>true</value>
  <description>If true, then multiple instances of some reduce tasks may be executed in parallel.</description>
</property>

4）不能启用推测执行机制情况

（1）任务间存在严重的负载倾斜；

（2）特殊任务，比如任务向数据库中写数据。

5）算法原理

MapReduce优化

MapReduce任务慢的原因

Mapreduce 程序效率的瓶颈在于两点：

1）计算机性能

CPU、内存、磁盘健康、网络

2）I/O 操作优化

（1）数据倾斜

（2）map和reduce数设置不合理

（3）map运行时间太长，导致reduce等待过久

（4）小文件过多

（5）大量的不可分块的超大文件

（6）spill次数过多

（7）merge次数过多等。

MapReduce优化方法

MapReduce优化方法主要从六个方面考虑：数据输入、Map阶段、Reduce阶段、IO传输、数据倾斜问题和常用的调优参数。

数据输入

（1）合并小文件：

在执行mr任务前将小文件进行合并，大量的小文件会产生大量的map任务，增大map任务装载次数，而任务的装载比较耗时，从而导致mr运行较慢。

（2）采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。

Map阶段

1）减少溢写（spill）次数：

通过调整io.sort.mb及sort.spill.percent参数值，增大触发spill的内存上限，减少spill次数，从而减少磁盘IO。

2）减少合并（merge）次数：

通过调整io.sort.factor参数，增大merge的文件数目，减少merge的次数，从而缩短mr处理时间。

3）在map之后，不影响业务逻辑前提下，先进行combine处理，减少 I/O。

Reduce阶段

1）合理设置map和reduce数：

两个都不能设置太少，也不能设置太多。

太少，会导致task等待，延长处理时间；太多，会导致 map、reduce任务间竞争资源，造成处理超时等错误。

2）设置map、reduce共存：

调整slowstart.completedmaps参数，使map运行到一定程度后，reduce也开始运行，减少reduce的等待时间。

3）规避使用reduce：

因为reduce在用于连接数据集的时候将会产生大量的网络消耗。

4）合理设置reduce端的buffer：

默认情况下，数据达到一个阈值的时候，buffer中的数据就会写入磁盘，然后reduce会从磁盘中获得所有的数据。

也就是说，buffer和reduce是没有直接关联的，中间多个一个写磁盘->读磁盘的过程，既然有这个弊端，那么就可以通过参数来配置，使得buffer中的一部分数据可以直接输送到reduce，从而减少IO开销：mapred.job.reduce.input.buffer.percent，默认为0.0。当值大于0的时候，会保留指定比例的内存读buffer中的数据直接拿给reduce使用。这样一来，设置buffer需要内存，读取数据需要内存，reduce计算也要内存，所以要根据作业的运行情况进行调整。

I/O传输

1）采用数据压缩的方式，减少网络IO的的时间。安装Snappy和LZO压缩编码器。

2）使用SequenceFile二进制文件。

数据倾斜问题

1）数据倾斜现象

数据频率倾斜——某一个区域的数据量要远远大于其他区域。

数据大小倾斜——部分记录的大小远远大于平均值。

2）如何收集倾斜数据

在reduce方法中加入记录map输出键的详细情况的功能。

        【代码】

3）减少数据倾斜的方法

方法1：抽样和范围分区

可以通过对原始数据进行抽样得到的结果集来预设分区边界值。

方法2：自定义分区

基于输出键的背景知识进行自定义分区。例如，如果map输出键的单词来源于一本书。

且其中某几个专业词汇较多。

那么就可以自定义分区将这这些专业词汇发送给固定的一部分reduce实例。

而将其他的都发送给剩余的reduce实例。

方法3：Combine

使用Combine可以大量地减小数据倾斜。

在可能的情况下，combine的目的就是聚合并精简数据。

方法4：采用Map Join，尽量避免Reduce Join。

常用的调优参数

1）资源相关参数

（1）以下参数是在用户自己的mr应用程序中配置就可以生效（mapred-default.xml）

配置参数    参数说明

mapreduce.map.memory.mb    一个Map Task可使用的资源上限（单位:MB），默认为1024。

如果Map Task实际使用的资源量超过该值，则会被强制杀死。

mapreduce.reduce.memory.mb    一个Reduce Task可使用的资源上限（单位:MB），默认为1024。

如果Reduce Task实际使用的资源量超过该值，则会被强制杀死。

mapreduce.map.cpu.vcores    每个Map task可使用的最多cpu core数目，默认值: 1

mapreduce.reduce.cpu.vcores    每个Reduce task可使用的最多cpu core数目，默认值: 1

mapreduce.reduce.shuffle.parallelcopies    每个reduce去map中拿数据的并行数。默认值是5

mapreduce.reduce.shuffle.merge.percent    buffer中的数据达到多少比例开始写入磁盘。默认值0.66

mapreduce.reduce.shuffle.input.buffer.percent    buffer大小占reduce可用内存的比例。默认值0.7

mapreduce.reduce.input.buffer.percent    指定多少比例的内存用来存放buffer中的数据，默认值是0.0

（2）应该在yarn启动之前就配置在服务器的配置文件中才能生效（yarn-default.xml）

配置参数    参数说明

yarn.scheduler.minimum-allocation-mb      1024    给应用程序container分配的最小内存

yarn.scheduler.maximum-allocation-mb      8192    给应用程序container分配的最大内存

yarn.scheduler.minimum-allocation-vcores    1    每个container申请的最小CPU核数

yarn.scheduler.maximum-allocation-vcores    32    每个container申请的最大CPU核数

yarn.nodemanager.resource.memory-mb   8192    给containers分配的最大物理内存

（3）shuffle性能优化的关键参数，应在yarn启动之前就配置好（mapred-default.xml）

配置参数    参数说明

mapreduce.task.io.sort.mb   100    shuffle的环形缓冲区大小，默认100m

mapreduce.map.sort.spill.percent   0.8    环形缓冲区溢出的阈值，默认80%

2）容错相关参数(mapreduce性能优化)

配置参数    参数说明

mapreduce.map.maxattempts    每个Map Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。

mapreduce.reduce.maxattempts    每个Reduce Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。

mapreduce.task.timeout    Task超时时间，经常需要设置的一个参数，该参数表达的意思为：

如果一个task在一定时间内没有任何进入，即不会读取新的数据，也没有输出数据，则认为该task处于block状态，可能是卡住了，也许永远会卡主，为了防止因为用户程序永远block住不退出，则强制设置了一个该超时时间（单位毫秒），默认是600000。

如果你的程序对每条输入数据的处理时间过长（比如会访问数据库，通过网络拉取数据等），建议将该参数调大，该参数过小常出现的错误提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。

HDFS小文件优化方法

HDFS小文件弊端

HDFS上每个文件都要在NameNode上建立一个索引，这个索引的大小约为150byte，这样当小文件比较多的时候，就会产生很多的索引文件，一方面会大量占用NameNode的内存空间，另一方面就是索引文件过大是的索引速度变慢。

解决方案

1）Hadoop Archive:

是一个高效地将小文件放入HDFS块中的文件存档工具，它能够将多个小文件打包成一个HAR文件，这样就减少了NameNode的内存使用。

2）Sequence file：

Sequence file由一系列的二进制key/value组成，如果key为文件名，value为文件内容，则可以将大批小文件合并成一个大文件。

3）CombineFileInputFormat：

CombineFileInputFormat是一种新的Inputformat，用于将多个文件合并成一个单独的split，另外，它会考虑数据的存储位置。

4）开启JVM重用

对于大量小文件Job，可以开启JVM重用会减少45%运行时间。

JVM重用理解：一个map运行一个jvm，重用的话，在一个map在jvm上运行完毕后，jvm继续运行其他map。

具体设置：mapreduce.job.jvm.numtasks值在10-20之间。

【End】