草庐IT

hadoop - 如何优化Hadoop作业中的混洗/排序阶段

coder 2024-01-05 原文

我正在使用单节点hadoop作业进行一些数据准备。我工作中的映射器/组合器输出许多键(超过5M或6M)，显然工作进行缓慢甚至失败。映射阶段最多可运行120个映射器，并且只有一个化简器(它们是自动确定的，我没有为它们设置任何值)。我想优化工作，以便更有效地进行改组/排序阶段。我将mapreduce.task.io.sort.mb增加到300m，但作业失败，因为它的值大于mapper堆。然后，我将mapred.child.java.opts设置为-Xmx1024m，但由于无法初始化输出收集器而再次失败。这些方案的最佳做法是什么？

最佳答案

首先，由于您使用的是单节点群集，因此您无法进行太多优化。在单个节点群集上，您的容器/插槽数量将有限，并且对于要处理的数据量(5到600万个 key )，您的作业将始终运行缓慢，并且可能还会失败。

我将针对完全分布式的Hadoop设置回答此问题。 《 Hadoop权威指南》一书中有一个部分(“随机和排序”)，您应该阅读该部分以调整随机和排序阶段。我的回答主要受本节内容的影响，也受我自己调整MapReduce作业的经验的影响。

您可以执行以下操作以达到“随机播放”和“排序”效率:

  • 组合器:使用组合器将减少传输到每个缩减器的数据量，因为合并器在映射器端合并了输出。
  • reducer 数量:选择最佳的 reducer 数量。如果数据量巨大，那么减少一个reduce并不是一个好主意。同样，将reducer的数量设置为较高的数目也不是一个好主意，因为reducer的数量还决定了映射器端的分区数。在这里查看链接:https://github.com/paulhoule/infovore/wiki/Choosing-the-number-of-reducers
  • 何时启动 reducer :;您可以控制何时开始执行reduce任务。这由YARN中的配置mapreduce.job.reduce.slowstart.completedmaps确定。在完成一定比例的映射器之前，它不会启动reducer。默认情况下，将其设置为“0.05”(这意味着在5％的映射器完成后， reducer 启动)。如果 reducer 提早启动，则大多数 reducer 将处于空闲状态，直到所有映射器完成。同样，化简器可能会占用插槽，否则映射器可能会使用这些插槽进行处理。通过控制此选项，您可以最佳地使用映射器/缩小器插槽，并改善随机播放期间所花费的时间。
  • 压缩映射器输出:建议压缩映射器输出(由配置确定:mapreduce.map.output.compress)，以便将较少的数据写入磁盘并传输到reducer。
  • 调整配置“mapreduce.task.io.sort.mb” :增加排序器在映射过程中使用的缓冲区大小。这将减少溢出到磁盘上的次数。
  • 调整配置“mapreduce.reduce.input.buffer.percent” :如果您的reduce任务具有较少的内存需求，则可以将该值设置为较高的百分比。这意味着，在缩减阶段(混洗阶段之后)将使用更多的堆空间来保留映射输出，从而减少溢出到磁盘上的次数。
  • 调整配置“mapreduce.reduce.shuffle.parallelcopies” :用于将 map 输出复制到 reducer 的线程数。在此处检查链接:how to tune mapred.reduce.parallel.copies?

    • 以下是可以调整以提高Shuffle和Sort阶段性能的其他配置参数(请参阅此处的这些配置的描述:https://hadoop.apache.org/docs/r2.4.1/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml):
  • mapreduce.map.sort.spill.percent:确定映射器使用的内存缓冲区的阈值。当达到此阈值时，缓冲区的内容将溢出到磁盘。因此，此值确定溢出到磁盘
    • 的数量
  • mapreduce.task.io.sort.factor:排序期间一次合并的最小流数。因此，在化简器端，如果有50个mapper输出并将此值设置为10，那么将进行5轮合并(平均10轮用于合并)。
  • mapreduce.shuffle.max.threads:用于将映射输出复制到 reducer 的工作线程数。
  • mapreduce.reduce.shuffle.input.buffer.percent:在reducer的shuffle阶段，应使用多少堆存储映射输出。此设置确定在溢出到磁盘之前可以在内存中保留的映射器输出量。
  • mapreduce.reduce.shuffle.merge.percent:用于启动合并过程并溢出到磁盘
    • 的阈值
  • mapreduce.reduce.merge.inmem.threshold:启动合并过程所需的 map 输出数。当到达mapreduce.reduce.shuffle.merge.percent或mapreduce.reduce.merge.inmem.threshold时， map 输出将合并并溢出到磁盘上。

    • 关于hadoop - 如何优化Hadoop作业中的混洗/排序阶段，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/34186583/

    hadoop射器mapreducecodehadoop2

    有关hadoop - 如何优化Hadoop作业中的混洗/排序阶段的更多相关文章

    1. ruby - 如何使用 Nokogiri 的 xpath 和 at_xpath 方法 - 2

      我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div

    2. ruby - 如何从 ruby​​ 中的字符串运行任意对象方法？ - 2

      总的来说，我对ruby​​还比较陌生，我正在为我正在创建的对象编写一些rspec测试用例。许多测试用例都非常基础，我只是想确保正确填充和返回值。我想知道是否有办法使用循环结构来执行此操作。不必为我要测试的每个方法都设置一个assertEquals。例如:describeitem,"TestingtheItem"doit"willhaveanullvaluetostart"doitem=Item.new#HereIcoulddotheitem.name.shouldbe_nil#thenIcoulddoitem.category.shouldbe_nilendend但我想要一些方法来使用

    3. ruby - 其他文件中的 Rake 任务 - 2

      我试图在一个项目中使用rake，如果我把所有东西都放到Rakefile中，它会很大并且很难读取/找到东西，所以我试着将每个命名空间放在lib/rake中它自己的文件中，我添加了这个到我的rake文件的顶部:Dir['#{File.dirname(__FILE__)}/lib/rake/*.rake'].map{|f|requiref}它加载文件没问题，但没有任务。我现在只有一个.rake文件作为测试，名为“servers.rake”，它看起来像这样:namespace:serverdotask:testdoputs"test"endend所以当我运行rakeserver:testid时

    4. ruby-on-rails - Ruby net/ldap 模块中的内存泄漏 - 2

      作为我的Rails应用程序的一部分，我编写了一个小导入程序，它从我们的LDAP系统中吸取数据并将其塞入一个用户表中。不幸的是，与LDAP相关的代码在遍历我们的32K用户时泄漏了大量内存，我一直无法弄清楚如何解决这个问题。这个问题似乎在某种程度上与LDAP库有关，因为当我删除对LDAP内容的调用时，内存使用情况会很好地稳定下来。此外，不断增加的对象是Net::BER::BerIdentifiedString和Net::BER::BerIdentifiedArray，它们都是LDAP库的一部分。当我运行导入时，内存使用量最终达到超过1GB的峰值。如果问题存在，我需要找到一些方法来更正我的代

    5. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

      关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

    6. ruby-on-rails - Rails 3 中的多个路由文件 - 2

      Rails2.3可以选择随时使用RouteSet#add_configuration_file添加更多路由。是否可以在Rails3项目中做同样的事情？ 最佳答案 在config/application.rb中:config.paths.config.routes在Rails3.2(也可能是Rails3.1)中，使用:config.paths["config/routes"] 关于ruby-on-rails-Rails3中的多个路由文件，我们在StackOverflow上找到一个类似的问题

    7. ruby-on-rails - 如何验证 update_all 是否实际在 Rails 中更新 - 2

      给定这段代码defcreate@upgrades=User.update_all(["role=?","upgraded"],:id=>params[:upgrade])redirect_toadmin_upgrades_path,:notice=>"Successfullyupgradeduser."end我如何在该操作中实际验证它们是否已保存或未重定向到适当的页面和消息？ 最佳答案 在Rails3中，update_all不返回任何有意义的信息，除了已更新的记录数(这可能取决于您的DBMS是否返回该信息)。http://ar.ru

    8. ruby-on-rails - 'compass watch' 是如何工作的/它是如何与 rails 一起使用的 - 2

      我在我的项目目录中完成了compasscreate.和compassinitrails。几个问题:我已将我的.sass文件放在public/stylesheets中。这是放置它们的正确位置吗？当我运行compasswatch时，它不会自动编译这些.sass文件。我必须手动指定文件:compasswatchpublic/stylesheets/myfile.sass等。如何让它自动运行？文件ie.css、print.css和screen.css已放在stylesheets/compiled。如何在编译后不让它们重新出现的情况下删除它们？我自己编译的.sass文件编译成compiled/t

    9. ruby - 如何将脚本文件的末尾读取为数据文件(Perl 或任何其他语言) - 2

      我正在寻找执行以下操作的正确语法(在Perl、Shell或Ruby中):#variabletoaccessthedatalinesappendedasafileEND_OF_SCRIPT_MARKERrawdatastartshereanditcontinues. 最佳答案 Perl用__DATA__做这个:#!/usr/bin/perlusestrict;usewarnings;while(){print;}__DATA__Texttoprintgoeshere 关于ruby-如何将脚

    10. ruby - 如何指定 Rack 处理程序 - 2

      Rackup通过Rack的默认处理程序成功运行任何Rack应用程序。例如:classRackAppdefcall(environment)['200',{'Content-Type'=>'text/html'},["Helloworld"]]endendrunRackApp.new但是当最后一行更改为使用Rack的内置CGI处理程序时，rackup给出“NoMethodErrorat/undefinedmethod`call'fornil:NilClass”:Rack::Handler::CGI.runRackApp.newRack的其他内置处理程序也提出了同样的反对意见。例如Rack

    随机推荐