小文件问题处理

　　像hadoop这样的分布式集群是适合大数据文件处理的，为什么不适合小文件处理呢？

　　　　1.存储：hadoop的存储每个文件都会在NameNode上记录元数据，如果同样大小的文件，文件很小的话，就会产生很多文件，造成NameNode的压力;

　　　　2.读取：同样大小的文件分为很多小文件的话，会增加磁盘寻址次数，降低性能;

　　　　3.计算：我们知道一个map默认处理一个分片或者一个小文件，如果map的启动时间都比数据处理的时间还要长，那么就会造成性能低，而且在map端溢写磁盘的时候每一个map最终会产生reduce数量个数的中间结果，如果map数量特别多，就会造成临时文件很多，而且在reduce拉取数据的时候增加磁盘的IO.

那如果在使用的过程中真的遇到小文件的情况怎么办呢？

　　　　1.从源头干掉，也就是在hdfs上我们不存储小文件，也就是数据上传hdfs的时候我们就合并小文件;
　　　　2.在FileInputFormat读取入数据的时候我们使用实现类CombineFileInputFormat读取数据，在读取数据的时候进行合并.

数据倾斜问题处理

　　　　从hadoop运行机制上可以了解到，mapreduce是一个并行处理，那么处理的时间肯定是作业中所有任务最慢的那个了,也就是木桶效应

　　　　　　1.数据倾斜:每个reduce处理的数据量不是同一个量级的,导致大部分任务已经执行完成，但是存在少数几个任务执行的很慢、很慢，导致整个作业的执行时间很长;
　　　　　　2.还有可能就是某些作业所在的NodeManager有问题或者container有问题，导致作业执行缓慢。

　　　　那么为什么会产生数据倾斜呢？

　　　　　　1.数据本身就不平衡，所以在默认的hashpartition时造成分区数据不一致问题;

　　　　　　2.代码设计缺陷或者设计不合理.

　　　　那如何解决数据倾斜的问题呢？

　　　　　　1.分区导致倾斜市可根据业务的特点，自定义合理的分区键，使得每个分区数据基本均匀
　　　　　　2.不符合hash的，让其符合hash分区，如：在key前加随机数n-key。
　　　　　　3.如果是reduce处理慢，我们可以增加reduce的内存和vcore呀，这样挺高性能就快了，虽然没从根本上解决问题，但是还有明显效果

mapreduce过程优化

　　　　对于map阶段来说首先第一步可以优化处理的是map读取和map数大小，在本文开头有说到小文件的问题，所以在数据的读取这里也可以做优化，另外就是map数，从hadoop的运行原理可以了解到hadoop对数据文件是进行分片读取的，分片的计算公：Math.max(minSize, Math.min(maxSize, blockSize))，minSize的默认值是1,而maxSize的默认值是long类型的最大值,即可得切片的默认大小是blockSize(128M)，maxSize参数如果调得比blocksize小，则会让切片变小，而且就等于配置的这个参数的值，minSize参数调的比blockSize大，则可以让切片变得比blocksize还大，由于map数没有具体的参数指定，所以我们可以通过如上的公式调整切片的大小，这样我们就可以设置map数了，那么问题来了，map数该如何设置呢？这些东西一定要结合业务，map数太多，会产生很多中间结果，导致reduce拉取数据变慢，太少，每个map处理的时间又很长，需要结合实际的业务需求，一般情况下可以把map的执行时间调至到一分钟左右比较合适，如果数据量就是很大，有时候还是需要控制map的数量，这个时候每个map的执行时间就比较长了，这种情况下我们还是可以做一定的优化的，比如通过调整map的处理能力，入调大map阶段的内存大小：mapreduce.map.memory.mb=3G（默认1G）mapreduce.map.cpu.vcores=1(默认也是1)，这些就是map任务启动前可以进行的优化处理了，之后就进入map的写环形换冲区，为什么需要写环形换冲区，而不是直接写磁盘呢？这样的目的主要是为了减少磁盘I/O，每个Map任务不断地将键值对输出到在内存中构造的一个环形数据结构中。使用环形数据结构是为了更有效地使用内存空间，在内存中放置尽可能多的数据。执行流程是，该缓冲默认100M（mapreduce.task.io.sort.mb参数控制），当到达80%（mapreduce.map.sort.spill.percent参数控制）时就会溢写磁盘。每达到80%都会重写溢写到一个新的文件。那么完全可以根据机器的配置和数据来两种这两个参数，当内存足够，增大mapreduce.task.io.sort.mb完全会提高溢写的过程，而且会减少中间结果的文件数量。比如调整mapreduce.task.io.sort.mb=512。当文件溢写完后，会对这些文件进行合并，默认每次合并10（mapreduce.task.io.sort.factor参数控制）个溢写的文件，调整mapreduce.task.io.sort.factor=64。这样可以提高合并的并行度，减少合并的次数，降低对磁盘操作的次数。

　　　　之后就到了map到reduce的数据传输过程了：

　　　　　　这中间主要的影响无非就是磁盘IO，网络IO，数据量的大小了（是否压缩），其实减少数据量的大小，就可以做到优化了，所以我们可以选择性压缩数据，这样在传输的过程中
就可以降低磁盘IO，网络IO等。可以通过mapreduce.map.output.compress（default：false）设置为true进行压缩，数据会被压缩写入磁盘，读数据读的是压缩数据需要解压，在实际经验中Hive在Hadoop的运行的瓶颈一般都是IO而不是CPU，压缩一般可以10倍的减少IO操作，压缩的方式Gzip，Lzo,BZip2,Lzma等，其中Lzo是一种比较平衡选择，mapreduce.map.output.compress.codec（default：org.apache.hadoop.io.compress.DefaultCodec）参数设置。

mapreduce.task.io.sort.mb        #排序map输出所需要使用内存缓冲的大小，以兆为单位， 默认为100
mapreduce.map.sort.spill.percent #map输出缓冲和用来磁盘溢写过程的记录边界索引，这两者使用的阈值，默认0.8
mapreduce.task.io.sort.factor    #排序文件时，一次最多合并的文件数，默认10
mapreduce.map.output.compress    #在map溢写磁盘的过程是否使用压缩，默认false
org.apache.hadoop.io.compress.SnappyCodec  #map溢写磁盘的压缩算法，默认org.apache.hadoop.io.compress.DefaultCodec
mapreduce.shuffle.max.threads    #该参数表示每个节点管理器的工作线程，用于map输出到reduce，默认为0，表示可用处理器的两倍

　　　　接下来就是reduce了，首先可以通过参数设置合理的reduce个数（mapreduce.job.reduces参数控制），以及通过参数设置每个reduce的资源，mapreduce.reduce.memory.mb=5G（默认1G）mapreduce.reduce.cpu.vcores=1（默认为1）。

reduce在copy的过程中默认使用5（mapreduce.reduce.shuffle.parallelcopies参数控制）个并行度进行复制数据，mapreduce.reduce.shuffle.parallelcopies=100.reduce的每一个下载线程在下载某个map数据的时候，有可能因为那个map中间结果所在机器发生错误，或者中间结果的文件丢失，或者网络瞬断等等情况，这样reduce的下载就有可能失败，所以reduce的下载线程并不会无休止的等待下去，当一定时间后下载仍然失败，那么下载线程就会放弃这次下载，并在随后尝试从另外的地方下载（因为这段时间map可能重跑）。reduce下载线程的这个最大的下载时间段是可以通过mapreduce.reduce.shuffle.read.timeout（default180000秒）调整的。

Copy过来的数据会先放入内存缓冲区中，然后当使用内存达到一定量的时候才spill磁盘。这里的缓冲区大小要比map端的更为灵活，它基于JVM的heap size设置。这个内存大小的控制就不像map一样可以通过io.sort.mb来设定了，而是通过另外一个参数 mapreduce.reduce.shuffle.input.buffer.percent（default 0.7）控制的。意思是说，shuffile在reduce内存中的数据最多使用内存量为：0.7 × maxHeap of reduce task，内存到磁盘merge的启动门限可以通过mapreduce.reduce.shuffle.merge.percent（default0.66）配置。

copy完成后，reduce进入归并排序阶段，合并因子默认为10（mapreduce.task.io.sort.factor参数控制），如果map输出很多，则需要合并很多趟，所以可以提高此参数来减少合并次数。

mapreduce.reduce.shuffle.parallelcopies #把map输出复制到reduce的线程数，默认5
mapreduce.task.io.sort.factor  #排序文件时一次最多合并文件的个数
mapreduce.reduce.shuffle.input.buffer.percent #在shuffle的复制阶段，分配给map输出缓冲区占堆内存的百分比，默认0.7
mapreduce.reduce.shuffle.merge.percent #map输出缓冲区的阈值，用于启动合并输出和磁盘溢写的过程



部分借鉴https://www.cnblogs.com/zsql/p/11614580.html