Chinaunix首页 | 论坛 | 博客
  • 博客访问: 127715
  • 博文数量: 69
  • 博客积分: 2895
  • 博客等级: 少校
  • 技术积分: 710
  • 用 户 组: 普通用户
  • 注册时间: 2010-09-03 18:05
文章分类

全部博文(69)

文章存档

2010年(69)

我的朋友

分类:

2010-09-09 13:35:53

通常hadoop中的mapreduce作业都会产生大量都中间,当要处理当原始非常大,并且在一定大map处理逻辑的情况下,这些中间文件会非常的大,hadoop mapreduce的中间文件是通过slave上hadoop-site.xml配置文件中的mapred.local.dir 配置选项来指定的。

 
    mapred.local.dir
    /disk1/mapred/local,/disk2/mapred/local
 


     虽然这个配置选项能够支持用逗号分隔的多个写入点,增加mapreduce程序的吞吐率,但是大量的中间文件,仍然是影响性能的一个因素,常常在 slave节点上用top查看进程性能或者iostat时,看到许多task进程的iowait 非常的高,通常这样的作业的性能就是受到了类似的影响。由于mapreduce计算模型本身的特点,中间文件势必会有非常大的时候,这个问题,对于性能的影响就至关重要。 
     几乎所有会产生大量map output的hadoop作业,都能够通过将中间文件用Lzo进行压缩来提升性能。尽管lzo会使得cpu的load有所增高,但是reduce在 shuffle阶段的disk IO通常都能节省不少时间,对job的性能有好处。
     当一个job需要产生大量的输出时,lzo压缩同时还可以在输出端提升job的性能。由于write操作通常默认都是要写3个副本,对每个文件的输出,就 能节省3倍的写入时间。
     为了能够在hadoop系统中使用lzo分布式压缩,需要做一些事情,具体怎么弄写到另一篇里去好了,不过首先要注意的是,要将提交端的jobconf中 的mapred.compress.map.output参数成true。

 
    mapred.compress.map.output 
    true
 



测试对比:
     根据cloudera的测试数据,在disable lzo 压缩的情况下运行的wordcount作业会比使用lzo压缩的情况要长一些,在job中加入的FILE_BYTES_WRITTEN counter变量显示该数据从3.5GB上升到9.2GB,这表示,使用了lzo压缩的情况下,能够节省62% 的磁盘 IO,由于该实验是在集群上单独的跑这个job,没有跟其他job竞争计算资源,并且每个slave上的task/disk的比例都比较高,就是说并没有 多少task在竞争disk,所以性能的提升并不是非常明显。在disk相对紧缺,多个task竞争disk的情况下,能够节省约60%的磁盘io,从而 大大的提升job的效率。
阅读(643) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~