javaee大数据培训教程-hadoop平台优化总结

《javaee大数据培训教程-hadoop平台优化总结》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、http://www.moliying.comJava一直都是主流的语言之一，因为大数据的人才急需导致Java相关的工作岗位再次火爆起来。而在大数据中优化是一个非常关键的课题。今天和大家一起讨论一下关于大数据优化的相关问题。    随着企业要处理的数据量越来越大，MapReduce思想越来越受到重视。Hadoop是MapReduce的一个开源实现，由于其良好的扩展性和容错性，已得到越来越广泛的应用。Hadoop作为一个基础数据处理平台，虽然其应用价值已得到大家认可，但仍存在很多问题，以下是主要几

2、个：    （1）Namenode/jobtracker单点故障。 Hadoop采用的是master/slaves架构，该架构管理起来比较简单，但存在致命的单点故障和空间容量不足等缺点，这已经严重影响了Hadoop的可扩展性。    （2）HDFS小文件问题。在HDFS中，任何block，文件或者目录在内存中均以对象的形式存储，每个对象约占150byte，如果有10000000个小文件，每个文件占用一个block，则namenode需要2G空间。如果存储1亿个文件，则namenode需要20G空

3、间。这样namenode内存容量严重制约了集群的扩展。    （3）jobtracker同时进行监控和调度，负载过大。为了解决该问题，yahoo已经开始着手设计下一代HadoopMapReduce（见参考资料1）。他们的主要思路是将监控和调度分离，独立出一个专门的组件进行监控，而jobtracker只负责总体调度，至于局部调度，交给作业所在的client。    （4）数据处理性能。 很多实验表明，其处理性能有很大的提升空间。Hadoop类似于数据库，可能需要专门的优化工程师根据实际的应用需要对

4、Hadoop进行调优，有人称之为“HadoopPerformanceOptimization”(HPO)。    为了提高其数据性能，很多人开始优化Hadoop。总结看来，对于Hadoop，当前主要有几个优化思路：    （1） 从应用程序角度进行优化。由于mapreduce是迭代逐行解析数据文件的，怎样在迭代的情况下，编写高效率的应用程序，是一种优化思路。    （2） 对Hadoop参数进行调优。当前hadoop系统有190多个配置参数，怎样调整这些参数，使hadoop作业运行尽可能的快，也

5、是一种优化思路。磨砺营IT教育版权所有http://www.moliying.com    （3）从系统实现角度进行优化。这种优化难度是最大的，它是从hadoop实现机制角度，发现当前Hadoop设计和实现上的缺点，然后进行源码级地修改。该方法虽难度大，但往往效果明显。    以上三种思路出发点均是提高hadoop应用程序的效率。实际上，随着社会的发展，绿色环保观念也越来越多地融入了企业，因而很多人开始研究GreenHadoop，即怎样让Hadoop完成相应数据处理任务的同时，使用最少的能源. 

6、   当前学术界的一些优化思路，有人试图从Hadoop自动配置角度对Hadoop进行优化，但更多的是从系统实现角度进行优化，概括其优化点和实验效果如下：    （1）从参数自动调优角度对Hadoop进行优化，给出了一种Hadoop优化的新思路，即怎样对其190多个配置参数进行自动调整，使应用程序执行效率最高。    （2） 提出prefetching和preshuffling机制，在不同负载不同规模集群下测试，效率提升了约73%。    （3） 影响Hadoop效率的五个因素，并通过提出相应的解

7、决方案，使Hadoop效率提高了2.5~3.5倍。    （4） 为Hadoop提供了一种索引机制–TrojanIndex，同时提出了一种高效的join算法–TrojanJoin，实验表明，效率比Hadoop和HadoopDB高很多。    除了学术界的优化，工业界也在不断进行优化以适应自己公司的产品需要，主要有：    （1）Baidu公司。baidu对Hadoop中关键组件使用C++进行了重写（包括map,shuffler和reducer等），经他们内部测试（5nodes，40GBdata）

8、，效率提升了约20%.    （2）淘宝。淘宝针对自己集群特点（作业小，slot多，作业之间有依赖，集群共享，有些作业有时效性），对jobtracker和namenode进行了优化，据其官方博客称，其jobtracker有较大性能提升，且namenode吞吐量提升了8+倍。但其具体优化方法，未公开。从应用程序角度进行优化    （1）避免不必要的reduce任务磨砺营IT教育版权所有http://www.moliying.com如果要处理的数据是排序且已经分区的，或者对于一份数据,需要多次处理,