MapReduce優化----Shuffle過程剖析及性能優化

當Map 開始産生輸出時，它并不是簡單的把資料寫到磁盤，因為頻繁的磁盤操作會導緻性能嚴重下降。它的處理過程更複雜，資料首先是寫到記憶體中的一個緩沖區，并做了一些預排序，以提升效率。

每個Map 任務都有一個用來寫入輸出資料的循環記憶體緩沖區。這個緩沖區預設大小是100MB，可以通過io.sort.mb 屬性來設定具體大小。當緩沖區中的資料量達到一個特定閥值(io.sort.mb * io.sort.spill.percent，其中io.sort.spill.percent 預設是0.80)時，系統将會啟動一個背景線程把緩沖區中的内容spill 到磁盤。在spill 過程中，Map 的輸出将會繼續寫入到緩沖區，但如果緩沖區已滿，Map 就會被阻塞直到spill 完成。spill 線程在把緩沖區的資料寫到磁盤前，會對它進行一個二次快速排序，首先根據資料所屬的partition 排序，然後每個partition 中再按Key 排序。輸出包括一個索引檔案和資料檔案。

如果設定了Combiner，将在排序輸出的基礎上運作。Combiner 就是一個Mini Reducer，它在執行Map 任務的節點本身運作，先對Map 的輸出做一次簡單Reduce，使得Map 的輸出更緊湊，更少的資料會被寫入磁盤和傳送到Reducer。

spill 檔案儲存在由mapred.local.dir指定的目錄中，Map 任務結束後删除。

每當記憶體中的資料達到spill 閥值的時候，都會産生一個新的spill 檔案，是以在Map任務寫完它的最後一個輸出記錄時，可能會有多個spill 檔案。在Map 任務完成前，所有的spill 檔案将會被歸并排序為一個索引檔案和資料檔案。這是一個多路歸并過程，最大歸并路數由io.sort.factor 控制(預設是10)。如果設定了Combiner，并且spill檔案的數量至少是3（由min.num.spills.for.combine 屬性控制），那麼Combiner 将在輸出檔案被寫入磁盤前運作以壓縮資料。

對寫入到磁盤的資料進行壓縮，通常是一個很好的方法，因為這樣做使得資料寫入磁盤的速度更快，節省磁盤空間，并減少需要傳送到Reducer 的資料量。預設輸出是不被壓縮的， 但可以很簡單的設定mapred.compress.map.output 為true 啟用該功能。壓縮所使用的庫由mapred.map.output.compression.codec 來設定。

當spill 檔案歸并完畢後，Map 将删除所有的臨時spill 檔案，并告知TaskTracker 任務已完成。Reducers 通過HTTP來擷取對應的資料。用來傳輸partitions 資料的工作線程數由tasktracker.http.threads 控制，這個設定是針對每一個TaskTracker 的，并不是單個Map，預設值為40，在運作大作業的大叢集上可以增大以提升資料傳輸速率。

2.1 copy階段

Map 的輸出檔案放置在運作Map 任務的TaskTracker 的本地磁盤上（注意：Map 輸出總是寫到本地磁盤，但Reduce 輸出不是，一般是寫到HDFS），它是運作Reduce 任務的TaskTracker 所需要的輸入資料。Reduce 任務的輸入資料分布在叢集内的多個Map 任務的輸出中，Map 任務可能會在不同的時間内完成，隻要完成的Map 任務數達到占總Map任務數一定比例（mapred.reduce.slowstart.completed.maps 預設0.05），Reduce 任務就開始拷貝它的輸出。

         Reduce 任務擁有多個拷貝線程， 可以并行的擷取Map 輸出。可以通過設定mapred.reduce.parallel.copies 來改變線程數，預設是5。

如果Map 輸出足夠小，它們會被拷貝到Reduce TaskTracker 的記憶體中（緩沖區的大小

由mapred.job.shuffle.input.buffer.percent 控制，指定了用于此目的的堆記憶體的百分比）；如果緩沖區空間不足，會被拷貝到磁盤上。當記憶體中的緩沖區用量達到一定比例閥值（由mapred.job.shuffle.merge.percent 控制），或者達到了Map 輸出的閥值大小（由mapred.inmem.merge.threshold 控制），緩沖區中的資料将會被歸并然後spill到磁盤。

拷貝來的資料疊加在磁盤上，有一個背景線程會将它們歸并為更大的排序檔案，這樣做節省了後期歸并的時間。對于經過壓縮的Map 輸出，系統會自動把它們解壓到記憶體友善對其執行歸并。

2.2 sort階段

當所有的Map 輸出都被拷貝後，Reduce 任務進入排序階段（更恰當的說應該是歸并階段，因為排序在Map 端就已經完成），這個階段會對所有的Map 輸出進行歸并排序，這個工作會重複多次才能完成。

假設這裡有50 個Map 輸出（可能有儲存在記憶體中的），并且歸并因子是10（由io.sort.factor 控制，就像Map 端的merge 一樣），那最終需要5 次歸并。每次歸并會把10個檔案歸并為一個，最終生成5 個中間檔案。

注：每趟合并的檔案數實際上比示例中展示的更微妙。目标是合并最小數量的檔案以便滿足最後一趟的合并系數。是以如果是40個檔案，我們不會在四趟中，每趟合并10個檔案進而得到4個檔案。相反，第一趟隻合并4個檔案，随後三趟合并所有十個檔案。在最後一趟中，4個已合并的檔案和餘下的6個（未合并的）檔案合計10個檔案。這并沒有改變合并的次數，它隻是一個優化措施，盡量減少寫到磁盤的資料量，因為最後一趟總是直接合并到reduce。

2.3 reduce階段

在Reduce 階段，Reduce 函數會作用在排序輸出的每一個key 上。這個階段的輸出被直接寫到輸出檔案系統，一般是HDFS。在HDFS 中，因為TaskTracker 節點也運作着一個DataNode 程序，是以第一個塊備份會直接寫到本地磁盤。

該配置調優方案主要是對以上Shuffle整個過程中涉及到的配置項按流程順序一一呈現并給以調優建議。

1. Map端

1) io.sort.mb

用于map輸出排序的記憶體緩沖區大小

類型：Int

預設：100mb

備注：如果能估算map輸出大小，就可以合理設定該值來盡可能減少溢出寫的次數，這對調優很有幫助。

2)io.sort.spill.percent

map輸出排序時的spill閥值（即使用比例達到該值時，将緩沖區中的内容spill 到磁盤）

類型：float

預設：0.80

3)io.sort.factor

歸并因子（歸并時的最多合并的流數），map、reduce階段都要用到

預設：10

備注：将此值增加到100是很常見的。

4)min.num.spills.for.combine

運作combiner所需的最少溢出寫檔案數（如果已指定combiner）

預設：3

5)mapred.compress.map.output

map輸出是否壓縮

類型：Boolean

預設：false

備注：如果map輸出的資料量非常大，那麼在寫入磁盤時壓縮資料往往是個很好的主意，因為這樣會讓寫磁盤的速度更快，節約磁盤空間，并且減少傳給reducer的資料量。

6)mapred.map.output.compression.codec

用于map輸出的壓縮編解碼器

類型：Classname

備注：推薦使用LZO壓縮。Intel内部測試表明，相比未壓縮，使用LZO壓縮的 TeraSort作業，運作時間減少60%，且明顯快于Zlib壓縮。

7) tasktracker.http.threads

每個tasktracker的工作線程數，用于将map輸出到reducer。

（注：這是叢集範圍的設定，不能由單個作業設定）

預設：40

備注：tasktracker開http服務的線程數。用于reduce拉取map輸出資料，大叢集可以将其設為40~50。

2. reduce端

1)mapred.reduce.slowstart.completed.maps

調用reduce之前，map必須完成的最少比例

預設：0.05

2)mapred.reduce.parallel.copies

reducer在copy階段同時從mapper上拉取的檔案數

類型：int

預設：5

3)mapred.job.shuffle.input.buffer.percent

在shuffle的複制階段，配置設定給map輸出的緩沖區占堆空間的百分比

預設：0.70

4)mapred.job.shuffle.merge.percent

map輸出緩沖區（由mapred.job.shuffle.input.buffer.percent定義）使用比例閥值，當達到此閥值，緩沖區中的資料将會被歸并然後spill 到磁盤。

預設：0.66

5)mapred.inmem.merge.threshold

map輸出緩沖區中檔案數

預設：1000

備注：0或小于0的數意味着沒有閥值限制，溢出寫将有mapred.job.shuffle.merge.percent單獨控制。

6)mapred.job.reduce.input.buffer.percent

在reduce過程中，在記憶體中儲存map輸出的空間占整個堆空間的比例。

預設：0.0

備注：reduce階段開始時，記憶體中的map輸出大小不能大于該值。預設情況下，在reduce任務開始之前，所有的map輸出都合并到磁盤上，以便為reducer提供盡可能多的記憶體。然而，如果reducer需要的記憶體較少，則可以增加此值來最小化通路磁盤的次數，以提高reduce性能。

3.性能調優補充

相對于大批量的小檔案，hadoop更合适處理少量的大檔案。一個原因是FileInputFormat生成的InputSplit是一個檔案或該檔案的一部分。如果檔案很小，并且檔案數量很多，那麼每次map任務隻處理很少的輸入資料，每次map操作都會造成額外的開銷。