Hadoop测试

集群搭建起来，是不是就高枕无忧了呢？如果只是用来学习或者做做试验，貌似够了，但生产环境中还不够，因为咱们还没有对集群进行测试，是不是能达到咱们预期。

1.1写测试

测试写入100个128M的文件

hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -write -nrFiles 100 -fileSize 128MB

1.2.读测试

测试读100个128的文件

hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -read -nrFiles 100 -fileSize 128MB

1.3删除测试数据

测试数据必须删除，不能带到生产中

hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -clean

1.4 用Sort评估MapReduce

1）应用RandomWriter来产生随机数，每个节点运行10个Map工作，每个Map产生大概1G大小的二进制随机数

hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar randomwriter random-data

2）执行sort

hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar sort random-data sorted-data

3）验证后果

hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar testmapredsort -sortInput random-data -sortOutput sorted-data

哈哈，我的电脑不给力，没法间接演示，看来要降级了。
决定进入大数据坑的同学，电脑配置得高点，不然带不动。

2.Hadoop性能调优

集群测试，不合乎预期，那就要进入性能调优了。

2.1 MpaReduce的优化

MapReduce执行效率的瓶颈在两个方面
1.计算机性能影响，像CPU、内存大小、磁盘、网络提早。
2.IO方面的优化状况
1）数据歪斜问题
2）Map和Reduce的个数设置状况
3）Map耗时太长
4）小文件太多
5）Spill和Merge次数太多等等

咱们对MapReduce的优化大抵是六个方面
1）数据输出
2）Map阶段
3）Reduce阶段
4）IO传输
5）数据歪斜
6）参数调优

2.1.1 数据输出

例如合并小文件，咱们都晓得小文件会产生大量的MapTask，所以咱们能够在执行MR工作前，先进行小文件的合并。

默认状况下TextInputformat对工作的切片机制是按文件布局切片,不论文件多小,都会有一个独自的切片,都会交给一个maptask,如果有大量的小文件,就会产生大量的maptask,解决效率及其低下
咱们能够改用CombineTextInputFormat，解决输出端大量小文件的问题。

2.1.2 Map阶段

1.缩小Spill次数，也就是溢写次数：通过调整io.sort.mb及sort.spill.percent参数值，增大触发Spill的内存下限，缩小Spill次数，从而缩小磁盘IO。

2.缩小Merge次数：通过调整io.sort.factor参数，增大Merge的文件数目，缩小Merge的次数，从而缩短MR解决工夫。

3.Map之后，在不影响业务逻辑前提之下，能够先进行Combine，缩小IO。

2.1.3 Reduce阶段

1.Map和Reduce个数的设置:两个不能设置太少，也不能太多。
太少，会导致Task期待，缩短解决工夫；
太多，会导致Map、Reduce工作间竞争资源，造成解决超时等谬误。

2.Map、Reduce共存:调整slowstart.completedmaps参数，使Map运行到肯定水平后，Reduce也开始运行，缩小Reduce的等待时间。

3.躲避应用Reduce：因为Reduce在用于连贯数据集的时候将会产生大量的网络耗费。

2.1.4 IO传输

1）数据压缩
2）应用SequenceFile二进制文件

2.1.5 数据歪斜

什么是数据歪斜？
简略来说就是大量的雷同key被partition调配到一个分区里,造成了'一个人累死,其他人闲死'的状况。

解决办法：
1）自定义分区，也就是Partition，指定分区策略
2）从新设计key，例如在map阶段给key加一个随机值，有了随机值的key就不会有大概率的机会被大量分到同一个节点上了，到了reduce阶段，在把随机值去掉。
3）应用Combine，Combinner是在map阶段,reduce之前的一个两头阶段,在这个阶段能够选择性的把大量的雷同key数据先进行一个合并,能够看做是local reduce,而后再交给reduce来解决,这样做的益处很多,即加重了map端向reduce端发送的数据量(加重了网络带宽),也加重了map端和reduce端两头的shuffle阶段的数据拉取数量(本地化磁盘IO速率)
解决办法也不止下面所述，具体也要依据理论状况来说。

2.1.6 调优参数

1）以下参数是在用户本人的MR应用程序中配置就能够失效（mapred-default.xml）

配置参数参数阐明
mapreduce.map.memory.mb一个MapTask可应用的资源下限（单位:MB），默认为1024。如果MapTask理论应用的资源量超过该值，则会被强制杀死。
mapreduce.reduce.memory.mb一个ReduceTask可应用的资源下限（单位:MB），默认为1024。如果ReduceTask理论应用的资源量超过该值，则会被强制杀死。
mapreduce.map.cpu.vcores每个MapTask可应用的最多cpu core数目，默认值: 1
mapreduce.reduce.cpu.vcores每个ReduceTask可应用的最多cpu core数目，默认值: 1
mapreduce.reduce.shuffle.parallelcopies每个Reduce去Map中取数据的并行数。默认值是5
mapreduce.reduce.shuffle.merge.percentBuffer中的数据达到多少比例开始写入磁盘。默认值0.66
mapreduce.reduce.shuffle.input.buffer.percentBuffer大小占Reduce可用内存的比例。默认值0.7
mapreduce.reduce.input.buffer.percent指定多少比例的内存用来寄存Buffer中的数据，默认值是0.0

2）应该在YARN启动之前就配置在服务器的配置文件中能力失效（yarn-default.xml）

配置参数参数阐明
yarn.scheduler.minimum-allocation-mb给应用程序Container调配的最小内存，默认值：1024
yarn.scheduler.maximum-allocation-mb给应用程序Container调配的最大内存，默认值：8192
yarn.scheduler.minimum-allocation-vcores每个Container申请的最小CPU核数，默认值：1
yarn.scheduler.maximum-allocation-vcores每个Container申请的最大CPU核数，默认值：32
yarn.nodemanager.resource.memory-mb给Containers调配的最大物理内存，默认值：8192

3）Shuffle性能优化的要害参数，应在YARN启动之前就配置好（mapred-default.xml）

配置参数参数阐明
mapreduce.task.io.sort.mbShuffle的环形缓冲区大小，默认100m
mapreduce.map.sort.spill.percent环形缓冲区溢出的阈值，默认80%

4）容错相干参数(MapReduce性能优化)

配置参数参数阐明
mapreduce.map.maxattempts每个Map Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
mapreduce.reduce.maxattempts每个Reduce Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
mapreduce.task.timeoutTask超时工夫，常常须要设置的一个参数，该参数表白的意思为：如果一个Task在肯定工夫内没有任何进入，即不会读取新的数据，也没有输入数据，则认为该Task处于Block状态，可能是卡住了，兴许永远会卡住，为了避免因为用户程序永远Block住不退出，则强制设置了一个该超时工夫（单位毫秒），默认是600000。如果你的程序对每条输出数据的解决工夫过长（比方会拜访数据库，通过网络拉取数据等），倡议将该参数调大，该参数过小常呈现的谬误提醒是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。

2.2 小文件的问题

为什么HDFS怕小文件呢？
因为HDFS上每个文件都要在NameNode建设一个索引，这个索引大小约150byte，当大量小文件时，就会产生很多的索引文件，但内存是有限度的，另外索引文件过大也会使得索引查问效率升高。

所以小文件问题，在生产环境中肯定要引起留神的问题。
解决形式就是缩小小文件产生或者对小文件合并，具体有以下几种形式：
1）在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS。
2）在业务解决之前，在HDFS上应用MapReduce程序对小文件进行合并。
3）在MapReduce解决时，可采纳CombineTextInputFormat提高效率。