hadoop性能调优与运维

• 硬件选择
• 操作系统调优与JVM调优
• hadoop参数调优
• hive性能调优
• hadoop运维

硬件选择

• hadoop运行环境
  
• 如何选择合适的硬件
  
  
  1. 主从节点可靠性：主节点可靠性要好于从节点
  2. 单节点选型：多路多核、高频率cpu、大内存
     主节点：
     NameNode的内存决定了集群保存文件数的总量。ResourceManager同时运行的作业会消耗一定的内存。
     从节点：
     从节点的内存需要根据cpu的虚拟核数（vcore）进行配比，cpu的vcore数计算公式为=cpu个数*单cpu核数*ht（超线程数），内存容量大小=vcore数*2GB（至少2GB）
  3. 节点数量：根据数据量确定集群规模
     举个栗子：全量起始1TB，每天增加10G
     一年：
     （1TB+10GB*365）*3*1.3=17.8TB
     节点数=18TB/2TB=9
     总节点数=9+2=1
     还要考虑作业并不是均匀分布，有可能会倾斜到某一个时间段，需要预留资源。
  4. 交换机选项：不要让网络I/O成为瓶颈
     hadoop作业通常是I/O密集型而非计算密集型，瓶颈通常集中在I/O。计算能力可以通过添加节点进行线性扩展，而I/O方面的瓶颈却很难进行扩展。例如硬盘读写能力，交换机背板带宽等。30个节点以上，选择万兆交换机，价格比千兆贵3-5倍。

操作系统调优与JVM调优

操作系统调优

1. 避免使用swap分区
   将hadoop守护进程的数据交换到磁盘的行为可能会导致操作超时，可以通过修改linux内核参数，降低这个概率，但是不能避免
2. 调整内存分配策略
   操作系统内核根据vm.overcommit_memory的值来决定分配策略，并通过vm.overcommit_ratio的值来设定超过物理内存的比例，建议将vm.overcommit_memory参数设置为2，适当修改vm.overcommit_ratio参数
3. 修改net.core.somaxconn参数
   该参数表示socket监听backlog的上限，默认为128，建议大于等于32768，socket服务器会一次性处理backlog中的所有请求，hadoop的ipc.server.listen.queue.size参数和linux的net.core.somaxconn参数控制了监听队列的长度，需要调大
4. 增大同时打开文件描述符的上限
   对内核来说，所有打开的文件都通过文件描述符引用，文件描述符是一个非负整数，hadoop作业经常会读写大量文件，需要增大同时打开文件描述符的上限。
5. 选择合适的文件系统，并禁用文件的访问时间
   对于不同文件系统，ext3、ext4，性能会有所不同。特别的，文件的访问时间可以让用户知道哪些文件近期被查看或修改，但对于hdfs来说，获取某个文件的某个块什么时候被访问没什么意义。所以可以将其禁用。
6. 关闭THP（Transparent Huge Pages）
   THP是一个使用Huge Pages自动化的抽象层。它会引起cpu占用率增大，需要将其关闭。

JVM调优

有一些可以通过hadoop的参数进行设置，如堆栈大小、JVM重用、GC、flag等，将会在hadoop参数中详细介绍。

-XX:+AggressiveOpts
-XX:+UseCompressedOops
-XX:+UseBiasedLocking

hadoop参数调优

• hdfs调优
• yarn调优
• mapreduce调优

hdfs调优

1. 设置合理的块大小（dfs.block.size）
2. 将中间结果目录设置为分布在多个磁盘以提升写入速度（mapred.local.dir）
3. 设置DadaNode处理RPC的线程数，大集群可以适当加大。（dfs.datanode.handler.count）
4. 设置NameNode能同时处理请求数（dfs.namenode.handler.count）为集群规模的自然对数（lnN）的20倍。

yarn调优

yarn的资源表示模型Container，Container将资源抽象为两个维度，内存和虚拟CPU核（vcore）
1. 兼容各种计算框架
2. 动态分配资源，减少资源浪费

容器内存
yarn.nodemanager.resource.memory-mb
最小容器内存
yarn.scheduler.mininum-allocation-mb
容器内存增量
yarn.scheduler.increment-allocation-mb
最大容器内存
yarn.scheduler.maxinum-allocation-mb

1. 灵活：单个容器内存和最大容器内存分配成一样，将资源分配方案交到作业提交的用户手上
2. 严格：最小容器内存和最大容器内存分配成一样，将单个容器内存设置成固定值
   比如你有128容器内存，最大容器内存设置100G比较合理

举个栗子：
（4） 用户给任务设置的内存量为1000MB，为何最终分配的内存却是1024MB？
答：为了易于管理资源和调度资源，Hadoop YARN内置了资源规整化算法，它规定了最小可申请资源量、最大可申请资源量和资源规整化因子，如果应用程序申请的资源量小于最小可申请资源量，则YARN会将其大小改为最小可申请量，也就是说，应用程序获得资源不会小于自己申请的资源，但也不一定相等；如果应用程序申请的资源量大于最大可申请资源量，则会抛出异常，无法申请成功；规整化因子是用来规整化应用程序资源的，应用程序申请的资源如果不是该因子的整数倍，则将被修改为最小的整数倍对应的值，公式为ceil(a/b)*b，其中a是应用程序申请的资源，b为规整化因子。
以上介绍的参数需在yarn-site.xml中设置，相关参数如下：
yarn.scheduler.minimum-allocation-mb：最小可申请内存量，默认是1024
yarn.scheduler.minimum-allocation-vcores：最小可申请CPU数，默认是1
yarn.scheduler.maximum-allocation-mb：最大可申请内存量，默认是8096
yarn.scheduler.maximum-allocation-vcores：最大可申请CPU数，默认是4
对于规整化因子，不同调度器不同，具体如下：
FIFO和Capacity Scheduler，规整化因子等于最小可申请资源量，不可单独配置。
Fair Scheduler：规整化因子通过参数yarn.scheduler.increment-allocation-mb和yarn.scheduler.increment-allocation-vcores设置，默认是1024和1。
通过以上介绍可知，应用程序申请到资源量可能大于资源申请的资源量，比如YARN的最小可申请资源内存量为1024，规整因子是1024，如果一个应用程序申请1500内存，则会得到2048内存，如果规整因子是512，则得到1536内存。

容器虚拟CPU内核
yarn.nodemanager.resource.cpu-vcores
最小容器虚拟CPU内核数量
yarn.scheduler.mininum-allocation-vcores
容器虚拟CPU内核增量
yarn.scheduler.increment-allocation-vcores
最大容器虚拟CPU内核增量
yarn.scheduler.maxinum-allocation-vcores

双路四核intel CPU 2*4*2=16 考虑其它应用设置为10-12比较合适

mapreduce调优

调优三原则
* 增大作业并行程度
* 给每个任务足够的资源
* 在满足前两个的条件下，尽可能地给shuffle预留资源

增大作业并行程度
实质上是改变输入分片（input split）的大小，输入分片是一个逻辑概念，是一个Map Task的输入。在调优过程中，尽量让输入分片与块大小一样，这样就能实现计算本地化，减少不必要的网络传输。
计算公式为：
max(mapred.min.split.size,min(mapred.max.split.size,dfs.block.size))
mapred.min.split.size=1（默认值）
mapred.max.split.size=9223372036854775807（默认值）
dfs.block.size为块大小

给每个任务足够的资源
Map任务内存
mapreduce.map.memory.mb
Reduce任务内存
mapreduce.reduce.memory.mb
Map任务最大堆栈
mapreduce.map.java.opts.max.heap
Reduce任务最大堆栈
mapred.reduce.java.opts.max.heap
ApplicationMaster内存
yarn.app.mapreduce.am.resource.mb

在满足前两个的条件下，尽可能地给shuffle预留资源
最大洗牌连接
mapreduce.shuffle.max.connections
I/O排序内存缓冲(MiB)
mapreduce.task.io.sort.mb
I/O排序因子
mapreduce.task.io.sort.factor
洗牌期间并行传输的默认数量
mapreduce.reduce.shuffle.parallelcopies
压缩Map输出
mapreduce.map.output.compress

Hive性能调优

Join优化

小表为驱动表，或者直接将小表加载到内存，做map端join，它的关键字为/+MAPJOIN(t1)/
如果想自动开启map端join，可以通过 hive.mapjoin.smalltable.filesize（默认为25000000字节）来定义小表的大小，一旦在这个范围之内，就会自动进行map端join

Reducer的数量

Hive作业Reducer数量会直接影响作业效率，Hive的Reducer的是通过如下两个参数确定：
参数1：hive.exec.reducers.bytes.per.reducer默认为1GB
参数2：hive.exec.reducers.max默认为999

Reducer的个数=min（参数2,总输入数据量/参数1）

列裁剪和分区裁剪

列裁剪和分区裁剪都是减少作业输入，默认开启。

hive.optimize.cp(列裁剪)、hive.optimize.pruner(分区裁剪)默认开启

SELECT col1,col2,col3 FROM table;

GROUP BY 优化

参数1：hive.map.aggr是否在Map端进行聚合，默认为true
参数2：hive.groupby.mapagger.checkinterval在Map端进行聚合操作的条目数目，默认为100000

防止数据倾斜：
hive.groupby.skewindata=true

示例：
key不平均时，计算时间按key值多的reduce任务。

合并小文件

当文件数目过多时，会给htfs带来压力，可以通过合并Map和Reduce的输出文件来减少文件数。

参数1：hive.merge.mapfiles=true是否合并Map阶段的输出文件
参数2：hive.merge.mapredfiles=true是否合并Reduce阶段的输出文件
参数3：hive.merge.size.per.task=256000000合并的文件的大小，默认为256000000

Multi-group By和Multi-insert

Multi-group By和Multi-insert是Hive特有语法，可以在同一个查询语句中使用多个不相交的insert语句，只需要扫描一遍全表。

FROM test
INSERT OVERWRITE TABLE test_by_a
SELECT a,COUNT(e) GROUP BY a/b
INSERT OVERWRITE TABLE test_by_b
SELECT b,COUNT(f) GROUP BY b
INSERT OVERWRITE TABLE test_by_c
SELECT c,COUNT(g) GROUP BY c

• 1
• 2
• 3
• 4
• 5
• 6
• 7

利用Union All特性

利用Union All特性将多个MapReduce作业合并

未优化的HQL：

SELECT * FROM(SELECT * FROM t1 GROUP BY c1,c2,c3
UNION ALL 
SELECT * FROM t2 GROUP BY c1,c2,c3) t3
GROUP BY c1,c2,c3

• 1
• 2
• 3
• 4

优化后的HQL：

SELECT * FROM
(SELECT * FROM t1 
UNION ALL
SELECT * FROM t2)t3 
GROUP BY c1,c2,c3

• 1
• 2
• 3
• 4
• 5

并行执行

参数1：hive.exec.parallel=true,默认false不打开，打开会占用更多资源

全排序

ORDER BY 默认
SORT BY

设置SORT BY方式：

Hadoop运维

• 基础运维
• 集群节点动态扩容和卸载
• 利用SecondaryNameNode恢复NameNode
• 常见的运维技巧

基础运维

1. 启动/停止hadoop（包括hdfs和MapReduce）
   在HADOOP_HOME/bin下执行./start-all.sh或者./stop-all.sh
2. 启动/停止hdfs
   在在HADOOP_HOME/bin下执行./start-dfs.sh或者./stop-dfs.sh
3. 启动/停止单个hdfs进程
   在在HADOOP_HOME/bin下执行如下命令：
   启动/停止NameNode进程
   ./hadoop-daemon.sh start/stop namenode
   启动/停止DataNode进程
   ./hadoop-daemon.sh start/stop datanode

集群节点动态扩容和卸载

1. 增加DataNode

修改slaves文件，在/hadoop/etc/hadoop目录下slaves，添加节点名称
启动datanode：./hadoop-daemon.sh start datanode
刷新节点：hadoop dfsadmin -redreshNodes

1. 卸载DataNode
   stop datanode命令只能停止DataNode，并不能将数据完全转移。

修改配置dfs.hosts和dfs.hosts.exclute，并执行hadoop dfsadmin -refreshNodes
最后再将该节点地址去掉，再次执行：hadoop dfsadmin -refreshNodes

1. 增加/卸载NodeManger
   修改slaves文件，直接启动或停止

参考：hadoop2.7.1不重启，动态删除节点和新增节点

利用SecondaryNameNode恢复NameNode

1. 确保新的NameNode${dfs.name.dir}目录存在，并移除其内容
2. 把SecondNameNode节点中fs.checkpoint.dir的所有内容复制到新的NameNode节点的fs.checkpoint.dir的所有内容复制到新的NameNode节点的{fs.checkpoint.dir}目录中。
3. 在新NameNode上执行命令：
   hadoop namenode -importCheckpoint
   该步会从fs.checkpoint.dir中恢复fs.checkpoint.dir中恢复{dfs.name.dir}，并启动NameNode
4. 检查文件块完整性，执行命令：hadoop fsck /
5. 停止NameNode
6. 删除新NameNode ${fs.checkpoint.dir}目录下的文件
7. 正式启动NameNode，恢复工作完成

常见的运维技巧

1. 查看日志
2. 清理临时文件
   hdfs的临时文件路径：/export/hadoop/tmp/mapred/staging
   本地临时文件路径：${mapred.local.dir}/mapred/userlogs
3. 定期执行数据均衡脚本