1 Map side tuning 参数

1.1 MapTask 运行内部原理

当map task 开始运算，并产生中间数据时，其产生的中间结果并非直接就简单的写入磁盘。这中间的过程比较复杂，并且利用到了内存buffer 来进行已经产生的部分结果的缓存，并在内存buffer 中进行一些预排序来优化整个map 的性能。如上图所示，每一个map 都会对应存在一个内存buffer （MapOutputBuffer ，即上图的buffer in memory ），map 会将已经产生的部分结果先写入到该buffer 中，这个buffer 默认是100MB 大小，但是这个大小是可以根据job 提交时的参数设定来调整的，该参数即为： io.sort.mb 。当map 的产生数据非常大时，并且把io.sort.mb 调大，那么map 在整个计算过程中spill 的次数就势必会降低，map task 对磁盘的操作就会变少，如果map tasks 的瓶颈在磁盘上，这样调整就会大大提高map 的计算性能。map 做sort 和spill 的内存结构如下如所示：

map 在运行过程中，不停的向该buffer 中写入已有的计算结果，但是该buffer 并不一定能将全部的map 输出缓存下来，当map 输出超出一定阈值（比如100M ），那么map 就必须将该buffer 中的数据写入到磁盘中去，这个过程在mapreduce 中叫做spill 。map 并不是要等到将该buffer 全部写满时才进行spill ，因为如果全部写满了再去写spill ，势必会造成map 的计算部分等待buffer 释放空间的情况。所以，map 其实是当buffer 被写满到一定程度（比如80% ）时，就开始进行spill 。这个阈值也是由一个job 的配置参数来控制，即 io.sort.spill.percent ，默认为0.80 或80% 。这个参数同样也是影响spill 频繁程度，进而影响map task 运行周期对磁盘的读写频率的。但非特殊情况下，通常不需要人为的调整。调整io.sort.mb 对用户来说更加方便。

当map task 的计算部分全部完成后，如果map 有输出，就会生成一个或者多个spill 文件，这些文件就是map 的输出结果。map 在正常退出之前，需要将这些spill 合并（merge ）成一个，所以map 在结束之前还有一个merge 的过程。merge 的过程中，有一个参数可以调整这个过程的行为，该参数为： io.sort.factor 。该参数默认为10 。它表示当merge spill 文件时，最多能有多少并行的stream 向merge 文件中写入。比如如果map 产生的数据非常的大，产生的spill 文件大于10 ，而io.sort.factor 使用的是默认的10 ，那么当map 计算完成做merge 时，就没有办法一次将所有的spill 文件merge 成一个，而是会分多次，每次最多10 个stream 。这也就是说，当map 的中间结果非常大，调大io.sort.factor ，有利于减少merge 次数，进而减少map 对磁盘的读写频率，有可能达到优化作业的目的。

当job 指定了combiner 的时候，我们都知道map 介绍后会在map 端根据combiner 定义的函数将map 结果进行合并。运行combiner 函数的时机有可能会是merge 完成之前，或者之后，这个时机可以由一个参数控制，即 min.num.spill.for.combine （default 3 ），当job 中设定了combiner ，并且spill 数最少有3 个的时候，那么combiner 函数就会在merge 产生结果文件之前运行。通过这样的方式，就可以在spill 非常多需要merge ，并且很多数据需要做conbine 的时候，减少写入到磁盘文件的数据数量，同样是为了减少对磁盘的读写频率，有可能达到优化作业的目的。

减少中间结果读写进出磁盘的方法不止这些，还有就是压缩。也就是说map 的中间，无论是spill 的时候，还是最后merge 产生的结果文件，都是可以压缩的。压缩的好处在于，通过压缩减少写入读出磁盘的数据量。对中间结果非常大，磁盘速度成为map 执行瓶颈的job ，尤其有用。控制map 中间结果是否使用压缩的参数为： mapred.compress.map.output (true/false) 。将这个参数设置为true 时，那么map 在写中间结果时，就会将数据压缩后再写入磁盘，读结果时也会采用先解压后读取数据。这样做的后果就是：写入磁盘的中间结果数据量会变少，但是cpu 会消耗一些用来压缩和解压。所以这种方式通常适合job 中间结果非常大，瓶颈不在cpu ，而是在磁盘的读写的情况。说的直白一些就是用cpu 换IO 。根据观察，通常大部分的作业cpu 都不是瓶颈，除非运算逻辑异常复杂。所以对中间结果采用压缩通常来说是有收益的。以下是一个wordcount 中间结果采用压缩和不采用压缩产生的map 中间结果本地磁盘读写的数据量对比：

map 中间结果不压缩：

map 中间结果压缩：

可以看出，同样的job ，同样的数据，在采用压缩的情况下，map 中间结果能缩小将近10 倍，如果map 的瓶颈在磁盘，那么job 的性能提升将会非常可观。

当采用map 中间结果压缩的情况下，用户还可以选择压缩时���用哪种压缩格式进行压缩，现在Hadoop 支持的压缩格式有： GzipCodec ， LzoCodec ， BZip2Codec ， LzmaCodec 等压缩格式。通常来说，想要达到比较平衡的 cpu 和磁盘压缩比， LzoCodec 比较适合。但也要取决于 job 的具体情况。用户若想要自行选择中间结果的压缩算法，可以设置配置参数： mapred.map.output.compression.codec =org.apache.hadoop.io.compress.DefaultCodec 或者其他用户自行选择的压缩方式。

1.2 Map side 相关参数调优

2 Reduce side tuning 参数

2.1 ReduceTask 运行内部原理

reduce 的运行是分成三个阶段的。分别为 copy->sort->reduce 。由于 job 的每一个 map 都会根据 reduce(n) 数将数据分成 map 输出结果分成 n 个 partition ，所以 map 的中间结果中是有可能包含每一个 reduce 需要处理的部分数据的。所以，为了优化 reduce 的执行时间， hadoop 中是等 job 的第一个 map 结束后，所有的 reduce 就开始尝试从完成的 map 中下载该 reduce 对应的 partition 部分数据。这个过程就是通常所说的 shuffle ，也就是 copy 过程。

       Reduce task 在做 shuffle 时，实际上就是从不同的已经完成的 map 上去下载属于自己这个 reduce 的部分数据，由于 map 通常有许多个，所以对一个 reduce 来说，下载也可以是并行的从多个 map 下载，这个并行度是可以调整的，调整参数为： mapred.reduce.parallel.copies （ default 5 ）。默认情况下，每个只会有 5 个并行的下载线程在从 map 下数据，如果一个时间段内 job 完成的 map 有 100 个或者更多，那么 reduce 也最多只能同时下载 5 个 map 的数据，所以这个参数比较适合 map 很多并且完成的比较快的 job 的情况下调大，有利于 reduce 更快的获取属于自己部分的数据。

       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）。所以 reduce 下载线程的这个最大的下载时间段是可以调整的，调整参数为： mapred.reduce.copy.backoff （ default 300 秒）。如果集群环境的网络本身是瓶颈，那么用户可以通过调大这个参数来避免 reduce 下载线程被误判为失败的情况。不过在网络环境比较好的情况下，没有必要调整。通常来说专业的集群网络不应该有太大问题，所以这个参数需要调整的情况不多。

       Reduce 将 map 结果下载到本地时，同样也是需要进行 merge 的，所以 io.sort.factor 的配置选项同样会影响 reduce 进行 merge 时的行为，该参数的详细介绍上文已经提到，当发现 reduce 在 shuffle 阶段 iowait 非常的高的时候，就有可能通过调大这个参数来加大一次 merge 时的并发吞吐，优化 reduce 效率。

       Reduce 在 shuffle 阶段对下载来的 map 数据，并不是立刻就写入磁盘的，而是会先缓存在内存中，然后当使用内存达到一定量的时候才刷入磁盘。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来设置： mapred.job.shuffle.input.buffer.percent （ default 0.7 ），这个参数其实是一个百分比，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 。也就是说，如果该 reduce task 的最大 heap 使用量（通常通过 mapred.child.java.opts 来设置，比如设置为 -Xmx1024m ）的一定比例用来缓存数据。默认情况下， reduce 会使用其 heapsize 的 70% 来在内存中缓存数据。如果 reduce 的 heap 由于业务原因调整的比较大，相应的缓存大小也会变大，这也是为什么 reduce 用来做缓存的参数是一个百分比，而不是一个固定的值了。

假设 mapred.job.shuffle.input.buffer.percent 为 0.7 ， reduce task 的 max heapsize 为 1G ，那么用来做下载数据缓存的内存就为大概 700MB 左右，这 700M 的内存，跟 map 端一样，也不是要等到全部写满才会往磁盘刷的，而是当这 700M 中被使用到了一定的限度（通常是一个百分比），就会开始往磁盘刷。这个限度阈值也是可以通过 job 参数来设定的，设定参数为： mapred.job.shuffle.merge.percent （ default 0.66 ）。如果下载速度很快，很容易就把内存缓存撑大，那么调整一下这个参数有可能会对 reduce 的性能有所帮助。

当 reduce 将所有的 map 上对应自己 partition 的数据下载完成后，就会开始真正的 reduce 计算阶段（中间有个 sort 阶段通常时间非常短，几秒钟就完成了，因为整个下载阶段就已经是边下载边 sort ，然后边 merge 的）。当 reduce task 真正进入 reduce 函数的计算阶段的时候，有一个参数也是可以调整 reduce 的计算行为。也就是： mapred.job.reduce.input.buffer.percent （ default 0.0 ）。由于 reduce 计算时肯定也是需要消耗内存的，而在读取 reduce 需要的数据时，同样是需要内存作为 buffer ，这个参数是控制，需要多少的内存百分比来作为 reduce 读已经 sort 好的数据的 buffer 百分比。默认情况下为 0 ，也就是说，默认情况下， reduce 是全部从磁盘开始读处理数据。如果这个参数大于 0 ，那么就会有一定量的数据被缓存在内存并输送给 reduce ，当 reduce 计算逻辑消耗内存很小时，可以分一部分内存用来缓存数据，反正 reduce 的内存闲着也是闲着。

2.2 Reduce side 相关参数调优

有一批数据用hadoop mapreduce job处理时，业务特点要求一个文件对应一个map来处理，如果两个或多个map处理了同一个文件，可能会有问题。开始想通过设置 dfs.blocksize 或者 mapreduce.input.fileinputformat.split.minsize/maxsize 参数来控制map的个数，后来想到其实不用这么复杂，在自定义的InputFormat里面直接让文件不要进行split就可以了。

这样，输入文件有多少个，job就会启动多少个map了。