五分钟深入 Hadoop 输入优化(1).docx
立即下载
布偶的表弟派大星丶
2024-12-10
数据
Hadoop
host
机器
时间
文章
用户
情况
记得
input
129.2 KB
五分钟深入 Hadoop 输入优化
当面试公司问起 Hadoop 经验时，我们当然不能只停留在 Mapper 干了什么、Reducer 干了什么。没有 Performance Tuning 怎么能显示出我们的高大上呢?
下面几篇文章，包子培训将深入浅出的讲解 advanced hadoop tuning. 力争让你在面试中滔滔不绝，震住你的面试官。:)
不对 input 做精心处理有可能彻底毁掉 Hadoop 的强大功能
大家还记得我们第一篇<5分钟零基础搞懂 Hadoop>中的例子吗?
我们把数据分别存贮在好多台机器上，然后让各台机器处理自己上的数据。
但是, 实际情况中有可能发生:
Host A 上数据超级多, 其他所有 Host B, C, D…上超级少。
假设每台机器处理数据的速度是一样的，比如 CPU、内存、硬盘性能一样，那么显然 host A 要比其他 host 花更多时间处理数据。这会造成当 host B,C,D…都处理完数据后，一直等待 host A 处理。
我们想一想, 如果可以让 host A 上的一些数据转移到 B,C,D…上，让所有 host 有同样多的数据，那我们的整个 Hadoop Job 就可以更快完成了!
企业从实际情况中总结的经验告诉我们，节省的时间不只几分钟，长的可以到几小时！
如果这个情况发生在 Hadoop 集群里，考虑到 Hadoop 中的每台机器需要在 mapper 中把处理结果传给 reduce 阶段，由于 host A 上的数据远多于其他 host, host A 花在处理数据的时间，加上 disk 读写的时间，加上花在网络传输数据的时间，都会比其他机器多更多！
所以，尽量平均分配每台机器要处理的数据，真是势在必行!
那我们应当如何平衡每台机器的负担呢？我们先了解一下 Hadoop 如何读取数据的吧，只有搞清楚工具本身，我们才能更好的利用它。
Hadoop 是怎么处理 input 的？
大家还记得我们上篇文章里介绍用户如何向 JobTracker 提交 Job 吗? （点击阅读原文查看上一篇文章）
用户的代码，无论是 Java 还是别的语言,都需要使用 Hadoop 提供的一个 client side libraryJobClient. 它是用户代码和 JobTracker 打交道的接口。
运行 JobClient
数据/Hadoop/host/机器/时间/文章/用户/情况/记得/input/
数据/Hadoop/host/机器/时间/文章/用户/情况/记得/input/
-->