MapReduce企业优化，Hadoop企业优化
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
（1）数据倾斜
（2）map和reduce数设置不合理 combineTextinputformat,分区
（3）map运行时间太长，导致reduce等待过久
（4）小文件过多
（5）spill(溢出)次数过多，溢出数据到磁盘，
（6）merge次数过多等。Shuffule,溢出之后会有合并，reduce端也会有合并
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。
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，大量节点资源被占用，从而导致mr整体运行较慢。
（2）采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。
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（在mapred-default.xml），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（在mapred-default.xml），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。
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）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。
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。
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。
3．减少数据倾斜的方法
方法1：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2：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3：采用Map Join，尽量避免Reduce Join。