1 Map side tuning參數

1.1 MapTask運行內部原理

當map task開始運算，并產生中間數據時，其產生的中間結果并非直接就簡單的寫入磁盤。這中間的過程比較復雜，并且利用到了內存buffer來進行已經產生的 部分結果的緩存，并在內存buffer中進行一些預排序來優化整個map的性能。如上圖所示，每一個map都會對應存在一個內存 buffer（MapOutputBuffer，即上圖的buffer in memory），map會將已經產生的部分結果先寫入到該buffer中，這個buffer默認是100MB大小，但是這個大小是可以根據job提交時的 參數設定來調整的，該參數即為：io.sort.mb。當map的產生數據非常大時，并且把io.sort.mb調 大，那么map在整個計算過程中spill的次數就勢必會降低，map task對磁盤的操作就會變少，如果map tasks的瓶頸在磁盤上，這樣調整就會大大提高map的計算性能。map做sort和spill的內存結構如下如所示：

map在運行過程中，不停的向該buffer中寫入已有的計算結果，但是該buffer并不一定能將全部的map輸出緩存下來，當map輸出超出一 定閾值（比如100M），那么map就必須將該buffer中的數據寫入到磁盤中去，這個過程在mapreduce中叫做spill。map并不是要等到 將該buffer全部寫滿時才進行spill，因為如果全部寫滿了再去寫spill，勢必會造成map的計算部分等待buffer釋放空間的情況。所 以，map其實是當buffer被寫滿到一定程度（比如80%）時，就開始進行spill。這個閾值也是由一個job的配置參數來控制，即io.sort.spill.percent，默認為0.80或80%。這個參數同樣也是影響spill頻繁程度，進而影響map task運行周期對磁盤的讀寫頻率的。但非特殊情況下，通常不需要人為的調整。調整io.sort.mb對用戶來說更加方便。

當map task的計算部分全部完成后，如果map有輸出，就會生成一個或者多個spill文件，這些文件就是map的輸出結果。map在正常退出之前，需要將這 些spill合并（merge）成一個，所以map在結束之前還有一個merge的過程。merge的過程中，有一個參數可以調整這個過程的行為，該參數 為：io.sort.factor。該參數默認為10。它表示當merge spill文件時，最多能有多少并行的stream向merge文件中寫入。比如如果map產生的數據非常的大，產生的spill文件大于10，而 io.sort.factor使用的是默認的10，那么當map計算完成做merge時，就沒有辦法一次將所有的spill文件merge成一個，而是會 分多次，每次最多10個stream。這也就是說，當map的中間結果非常大，調大io.sort.factor，有利于減少merge次數，進而減少 map對磁盤的讀寫頻率，有可能達到優化作業的目的。

當job指定了combiner的時候，我們都知道map介紹后會在map端根據combiner定義的函數將map結果進行合并。運行combiner函數的時機有可能會是merge完成之前，或者之后，這個時機可以由一個參數控制，即min.num.spill.for.combine（default 3），當job中設定了combiner，并且spill數最少有3個的時候，那么combiner函數就會在merge產生結果文件之前運行。通過這樣 的方式，就可以在spill非常多需要merge，并且很多數據需要做conbine的時候，減少寫入到磁盤文件的數據數量，同樣是為了減少對磁盤的讀寫 頻率，有可能達到優化作業的目的。

減少中間結果讀寫進出磁盤的方法不止這些，還有就是壓縮。也就是說map的中間，無論是spill的時候，還是最后merge產生的結果文件，都是 可以壓縮的。壓縮的好處在于，通過壓縮減少寫入讀出磁盤的數據量。對中間結果非常大，磁盤速度成為map執行瓶頸的job，尤其有用。控制map中間結果 是否使用壓縮的參數為：mapred.compress.map.output(true/false)。將這個參數 設置為true時，那么map在寫中間結果時，就會將數據壓縮后再寫入磁盤，讀結果時也會采用先解壓后讀取數據。這樣做的后果就是：寫入磁盤的中間結果數 據量會變少，但是cpu會消耗一些用來壓縮和解壓。所以這種方式通常適合job中間結果非常大，瓶頸不在cpu，而是在磁盤的讀寫的情況。說的直白一些就 是用cpu換IO。根據觀察，通常大部分的作業cpu都不是瓶頸，除非運算邏輯異常復雜。所以對中間結果采用壓縮通常來說是有收益的。以下是一個 wordcount中間結果采用壓縮和不采用壓縮產生的map中間結果本地磁盤讀寫的數據量對比：

map中間結果不壓縮：

map中間結果壓縮：

可以看出，同樣的job，同樣的數據，在采用壓縮的情況下，map中間結果能縮小將近10倍，如果map的瓶頸在磁盤，那么job的性能提升將會非常可觀。

當采用map中間結果壓縮的情況下，用戶還可以選擇壓縮時采用哪種壓縮格式進行壓縮，現在hadoop支持的壓縮格式 有：GzipCodec，LzoCodec，BZip2Codec，LzmaCodec等壓縮格式。通常來說，想要達到比較平衡的cpu和磁盤壓縮 比，LzoCodec比較適合。但也要取決于job的具體情況。用戶若想要自行選擇中間結果的壓縮算法，可以設置配置參數：mapred.map.output.compression.codec=org.apache.hadoop.io.compress.DefaultCodec或者其他用戶自行選擇的壓縮方式。

1.2 Map side相關參數調優

</tr>

</tr>

</tr>

</tr>

</tr>

</tr>

</tr>

</tr> </tbody> </table>

2 Reduce side tuning參數

2.1 ReduceTask運行內部原理

reduce的運行是分成三個階段的。分別為copy->sort->reduce。由于job的每一個map都會根據 reduce(n)數將數據分成map 輸出結果分成n個partition，所以map的中間結果中是有可能包含每一個reduce需要處理的部分數據的。所以，為了優化reduce的執行時 間，hadoop中是等job的第一個map結束后，所有的reduce就開始嘗試從完成的map中下載該reduce對應的partition部分數 據。這個過程就是通常所說的shuffle，也就是copy過程。

Reduce task在做shuffle時，實際上就是從不同的已經完成的map上去下載屬于自己這個reduce的部分數據，由于map通常有許多個，所以對一個reduce來說，下載也可以是并行的從多個map下載，這個并行度是可以調整的，調整參數為：mapred.reduce.parallel.copies（default 5）。默認情況下，每個只會有5個并行的下載線程在從map下數據，如果一個時間段內job完成的map有100個或者更多，那么reduce也最多只能 同時下載5個map的數據，所以這個參數比較適合map很多并且完成的比較快的job的情況下調大，有利于reduce更快的獲取屬于自己部分的數據。

reduce的每一個下載線程在下載某個map數據的時候，有可能因為那個map中間結果所在機器發生錯誤，或者中間結果的文件丟失，或者網絡瞬斷 等等情況，這樣reduce的下載就有可能失敗，所以reduce的下載線程并不會無休止的等待下去，當一定時間后下載仍然失敗，那么下載線程就會放棄這 次下載，并在隨后嘗試從另外的地方下載（因為這段時間map可能重跑）。所以reduce下載線程的這個最大的下載時間段是可以調整的，調整參數為：mapred.reduce.copy.backoff（default 300秒）。如果集群環境的網絡本身是瓶頸，那么用戶可以通過調大這個參數來避免reduce下載線程被誤判為失敗的情況。不過在網絡環境比較好的情況下，沒有必要調整。通常來說專業的集群網絡不應該有太大問題，所以這個參數需要調整的情況不多。

Reduce將map結果下載到本地時，同樣也是需要進行merge的，所以io.sort.factor的配置選項同樣會影響reduce進行 merge時的行為，該參數的詳細介紹上文已經提到，當發現reduce在shuffle階段iowait非常的高的時候，就有可能通過調大這個參數來加 大一次merge時的并發吞吐，優化reduce效率。

Reduce在shuffle階段對下載來的map數據，并不是立刻就寫入磁盤的，而是會先緩存在內存中，然后當使用內存達到一定量的時候才刷入磁盤。這個內存大小的控制就不像map一樣可以通過io.sort.mb來設定了，而是通過另外一個參數來設置：mapred.job.shuffle.input.buffer.percent（default 0.7），這個參數其實是一個百分比，意思是說，shuffile在reduce內存中的數據最多使用內存量為：0.7 × maxHeap of reduce task。也就是說，如果該reduce task的最大heap使用量（通常通過mapred.child.java.opts來設置，比如設置為-Xmx1024m）的一定比例用來緩存數據。 默認情況下，reduce會使用其heapsize的70%來在內存中緩存數據。如果reduce的heap由于業務原因調整的比較大，相應的緩存大小也 會變大，這也是為什么reduce用來做緩存的參數是一個百分比，而不是一個固定的值了。

假設mapred.job.shuffle.input.buffer.percent為0.7，reduce task的max heapsize為1G，那么用來做下載數據緩存的內存就為大概700MB左右，這700M的內存，跟map端一樣，也不是要等到全部寫滿才會往磁盤刷 的，而是當這700M中被使用到了一定的限度（通常是一個百分比），就會開始往磁盤刷。這個限度閾值也是可以通過job參數來設定的，設定參數為：mapred.job.shuffle.merge.percent（default 0.66）。如果下載速度很快，很容易就把內存緩存撐大，那么調整一下這個參數有可能會對reduce的性能有所幫助。

當reduce將所有的map上對應自己partition的數據下載完成后，就會開始真正的reduce計算階段（中間有個sort階段通常時間 非常短，幾秒鐘就完成了，因為整個下載階段就已經是邊下載邊sort，然后邊merge的）。當reduce task真正進入reduce函數的計算階段的時候，有一個參數也是可以調整reduce的計算行為。也就是：mapred.job.reduce.input.buffer.percent（default 0.0）。由于reduce計算時肯定也是需要消耗內存的，而在讀取reduce需要的數據時，同樣是需要內存作為buffer，這個參數是控制，需要多 少的內存百分比來作為reduce讀已經sort好的數據的buffer百分比。默認情況下為0，也就是說，默認情況下，reduce是全部從磁盤開始讀 處理數據。如果這個參數大于0，那么就會有一定量的數據被緩存在內存并輸送給reduce，當reduce計算邏輯消耗內存很小時，可以分一部分內存用來 緩存數據，反正reduce的內存閑著也是閑著。

2.2 Reduce side相關參數調優

選項	類型	默認值	描述
io.sort.mb	int	100	緩存map中間結果的buffer大小(in MB)
io.sort.record.percent	float	0.05	io.sort.mb中用來保存map output記錄邊界的百分比，其他緩存用來保存數據
io.sort.spill.percent	float	0.80	map開始做spill操作的閾值
io.sort.factor	int	10	做merge操作時同時操作的stream數上限。
min.num.spill.for.combine	int	3	combiner函數運行的最小spill數
mapred.compress.map.output	boolean	false	map中間結果是否采用壓縮
mapred.map.output.compression.codec	class name	org.apache.hadoop.io. compress.DefaultCodec	map中間結果的壓縮格式

</tr>

</tr>

</tr>

</tr>

</tr>

</tr>

</tr> </tbody> </table>
原文地址：http://www.alidata.org/archives/1470

選項	類型	默認值	描述
mapred.reduce.parallel.copies	int	5	每個reduce并行下載map結果的最大線程數
mapred.reduce.copy.backoff	int	300	reduce下載線程最大等待時間（in sec）
io.sort.factor	int	10	同上
mapred.job.shuffle.input.buffer.percent	float	0.7	用來緩存shuffle數據的reduce task heap百分比
mapred.job.shuffle.merge.percent	float	0.66	緩存的內存中多少百分比后開始做merge操作
mapred.job.reduce.input.buffer.percent	float	0.0	sort完成后reduce計算階段用來緩存數據的百分比