1 MapReduce 跑的慢的原因

Mapreduce 程序效率的瓶颈在于两点：
1 计算机性能
CPU、内存、磁盘健康、网络

2 I/O 操作优化
1）数据倾斜
2） map 和 reduce 数设置不合理
3） map 运行时间太长，导致 reduce 等待过久
4）小文件过多
5） 大量的不可分块的超大文件
6） spill 次数过多
7） merge 次数过多等。

2 MapReduce 优化方法

MapReduce 优化方法主要从六个方面考虑： 数据输入、 Map 阶段、 Reduce 阶段、 IO 传输、 数据倾斜问题和常用的调优参数。

1 数据输入
1 合并小文件：在执行 mr 任务前将小文件进行合并，大量的小文件会产生大量的
map 任务，增大 map 任务装载次数，而任务的装载比较耗时，从而导致 mr 运行较慢。

2 采用 CombineTextInputFormat 来作为输入，解决输入端大量小文件场景。

2 Map 阶段
1 减少溢写（spill） 次数： 通过调整 io.sort.mb 及 sort.spill.percent 参数值，增大触发spill 的内存上限，减少 spill 次数，从而减少磁盘 IO。

2 减少合并（merge） 次数： 通过调整 io.sort.factor 参数，增大 merge 的文件数目，减少 merge 的次数，从而缩短 mr 处理时间。

3 在 map 之后， 不影响业务逻辑前提下， 先进行 combine 处理，减少 I/O。

3 Reduce 阶段
1 合理设置 map 和 reduce 数：两个都不能设置太少，也不能设置太多。太少，会导致 task 等待，延长处理时间；太多， 会导致 map、 reduce 任务间竞争资源，造成处理超时等错误。

2 设置 map、 reduce 共存： 调整 slowstart.completedmaps 参数，使 map 运行到一定程度后， reduce 也开始运行，减少 reduce 的等待时间。

3 规避使用 reduce： 因为 reduce 在用于连接数据集的时候将会产生大量的网络消耗。

4 合理设置 reduce 端的 buffer： 默认情况下，数据达到一个阈值的时候， buffer 中的数据就会写入磁盘，然后 reduce 会从磁盘中获得所有的数据。也就是说， buffer 和 reduce是没有直接关联的，中间多个一个写磁盘->读磁盘的过程，既然有这个弊端，那么就可以通过参数来配置，使得 buffer 中的一部分数据可以直接输送到 reduce，从而减少 IO 开销：mapred.job.reduce.input.buffer.percent，默认为 0.0。当值大于 0 的时候，会保留指定比例的内存读 buffer 中的数据直接拿给 reduce 使用。这样一来，设置 buffer 需要内存，读取数据需要内存， reduce 计算也要内存，所以要根据作业的运行情况进行调整。

4 IO 传输
1 采用数据压缩的方式，减少网络 IO 的的时间。 安装 Snappy 和 LZO 压缩编码器。

2 使用 SequenceFile 二进制文件。

5 数据倾斜问题
1 数据倾斜现象
数据频率倾斜——某一个区域的数据量要远远大于其他区域。
数据大小倾斜——部分记录的大小远远大于平均值。

2 如何收集倾斜数据
在 reduce 方法中加入记录 map 输出键的详细情况的功能。

public static final String MAX_VALUES = "skew.maxvalues";
private int maxValueThreshold;

@Override
public void configure(JobConf job) {
    maxValueThreshold = job.getInt(MAX_VALUES, 100);
}
@Override
public void reduce(Text key, Iterator<Text> values,
OutputCollector<Text, Text> output,
Reporter reporter) throws IOException {
    int i = 0;
    while (values.hasNext()) {
    values.next();
        i++;
    }
    if (++i > maxValueThreshold) {
        log.info("Received " + i + " values for key " + key);
    }
}

3 减少数据倾斜的方法
方法 1：抽样和范围分区
可以通过对原始数据进行抽样得到的结果集来预设分区边界值。

方法 2：自定义分区
基于输出键的背景知识进行自定义分区。例如，如果 map 输出键的单词来源于一本书。且其中某几个专业词汇较多。那么就可以自定义分区将这这些专业词汇发送给固定的一部分reduce 实例。而将其他的都发送给剩余的 reduce 实例。

方法 3： Combine
使用 Combine 可以大量地减小数据倾斜。在可能的情况下， combine 的目的就是聚合并精简数据。

方法 4： 采用 Map Join， 尽量避免 Reduce Join。

6 常用的调优参数
1 资源相关参数
1） 以下参数是在用户自己的 mr 应用程序中配置就可以生效（mapred-default.xml）

2） 应该在 yarn 启动之前就配置在服务器的配置文件中才能生效（yarn-default.xml）

3） shuffle 性能优化的关键参数，应在 yarn 启动之前就配置好（mapred-default.xml）

2 容错相关参数(mapreduce 性能优化)

3 HDFS 小文件优化方法

1 HDFS 小文件弊端
HDFS 上每个文件都要在 namenode 上建立一个索引，这个索引的大小约为 150byte，这样当小文件比较多的时候，就会产生很多的索引文件，一方面会大量占用 namenode 的内存空间，另一方面就是索引文件过大是的索引速度变慢。

2 解决方案
1 Hadoop Archive:
是一个高效地将小文件放入 HDFS 块中的文件存档工具，它能够将多个小文件打包成一个 HAR 文件，这样就减少了 namenode 的内存使用。

2 Sequence file：
sequence file 由一系列的二进制 key/value 组成，如果 key 为文件名， value 为文件内容，则可以将大批小文件合并成一个大文件。

3 CombineFileInputFormat：
CombineFileInputFormat 是一种新的 inputformat，用于将多个文件合并成一个单独的split，另外，它会考虑数据的存储位置。

4 开启 JVM 重用
对于大量小文件 Job， 可以开启 JVM 重用会减少 45%运行时间。
JVM 重用理解：一个 map 运行一个 jvm，重用的话，在一个 map 在 jvm 上运行完毕后，jvm 继续运行其他 map。
具体设置： mapreduce.job.jvm.numtasks 值在 10-20 之间。