Hadoop生产调优手册-7

Hadoop生产调优手册-7

MapReduce生产经验

MapReduce跑得慢的原因

MapReduce程序效率的瓶颈在于两点：

• 计算机性能

  CPU、内存、磁盘、网络

• I/O操作优化

  （1）数据倾斜

  （2）Map运行时间太长，导致Reduce等待过久

  （3）小文件过多

MapReduce常用调优参数

MapReduce数据倾斜问题

• 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。

  

• 减少数据倾斜的方法

  • 首先检查是否空值过多造成的数据倾斜

    生产环境，可以直接过滤掉空值；如果想保留空值，就自定义分区，将空值加随机数打散。最后再二次聚合。

  • 能在map阶段提前处理，最好先在Map阶段处理。如：Combiner、MapJoin

  • 设置多个reduce个数