本篇內容主要講解“YARN和MapReduce的內存優(yōu)化怎么配置”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“YARN和MapReduce的內存優(yōu)化怎么配置”吧!

目前創(chuàng)新互聯(lián)已為數千家的企業(yè)提供了網站建設、域名、雅安服務器托管、網站托管、企業(yè)網站設計、銅官網站維護等服務，公司將堅持客戶導向、應用為本的策略，正道將秉承"和諧、參與、激情"的文化，與客戶和合作伙伴齊心協(xié)力一起成長，共同發(fā)展。

在Hadoop2.x中, YARN負責管理MapReduce中的資源(內存, CPU等)并且將其打包成Container。
使之專注于其擅長的數據處理任務, 將無需考慮資源調度. 如下圖所示    
         
YARN會管理集群中所有機器的可用計算資源. 基于這些資源YARN會調度應用(比如MapReduce)發(fā)來的資源請求, 然后YARN會通過分配Co
ntainer來給每個應用提供處理能力, Container是YARN中處理能力的基本單元, 是對內存, CPU等的封裝. 

目前我這里的服務器情況：6臺slave，每臺：32G內存，2*6核CPU。

由于hadoop 1.x存在JobTracker和TaskTracker，資源管理有它們實現，在執(zhí)行mapreduce作業(yè)時，資源分為map task和reduce task。
所有存在下面兩個參數分別設置每個TaskTracker可以運行的任務數：

• <property>

•         <name>mapred.tasktracker.map.tasks.maximum</name>

•         <value>6</value>

•         <description><![CDATA[CPU數量=服務器CPU總核數 / 每個CPU的核數；服務器CPU總核數 = more /proc/cpuinfo | grep 'processor' | wc -l；每個CPU的核數 = more /proc/cpui nfo | grep 'cpu cores']]></description>

• </property>

• <property>

•         <name>mapred.tasktracker.reduce.tasks.maximum</name>

•         <value>4</value>

•         <description>一個task tracker最多可以同時運行的reduce任務數量</description>

• </property>

但是在hadoop 2.x中，引入了Yarn架構做資源管理，在每個節(jié)點上面運行NodeManager負責節(jié)點資源的分配，而slot也不再像1.x那樣區(qū)分Map slot和Reduce slot。在Yarn上面Container是資源的分配的最小單元。

Yarn集群的內存分配配置在yarn-site.xml文件中配置：

• <property>

•         <name>yarn.nodemanager.resource.memory-mb</name>

•         <value>22528</value>

•         <discription>每個節(jié)點可用內存,單位MB</discription>

•     </property>

•     

•     <property>

•         <name>yarn.scheduler.minimum-allocation-mb</name>

•         <value>1500</value>

•         <discription>單個任務可申請最少內存，默認1024MB</discription>

•     </property>

•     

•     <property>

•         <name>yarn.scheduler.maximum-allocation-mb</name>

•         <value>16384</value>

•         <discription>單個任務可申請大內存，默認8192MB</discription>

•     </property>

 

由于我Yarn集群還需要跑Spark的任務，而Spark的Worker內存相對需要大些，所以需要調大單個任務的大內存（默認為8G）。

而Mapreduce的任務的內存配置：

• <property>

•         <name>mapreduce.map.memory.mb</name>

•         <value>1500</value>

•         <description>每個Map任務的物理內存限制</description>

•     </property>

•     

•     <property>

•         <name>mapreduce.reduce.memory.mb</name>

•         <value>3000</value>

•         <description>每個Reduce任務的物理內存限制</description>

•     </property>

•     

•     <property>

•         <name>mapreduce.map.java.opts</name>

•         <value>-Xmx1200m</value>

•     </property>

•     

•     <property>

•         <name>mapreduce.reduce.java.opts</name>

•         <value>-Xmx2600m</value>

•     </property>

mapreduce.map.memory.mb：每個map任務的內存，應該是大于或者等于Container的最小內存。
按照上面的配置：每個slave可以運行map的數據<= 22528/1500,reduce任務的數量<=22528/3000  。

mapreduce.map.memory.mb >mapreduce.map.java.opts
mapreduce.reduce.memory.mb >mapreduce.reduce.java.opts

mapreduce.map.java.opts / mapreduce.map.memory.mb
=0.70~0.80
mapreduce.reduce.java.opts / mapreduce.reduce.memory.mb
=0.70~0.80

在yarn container這種模式下，JVM進程跑在container中，mapreduce.{map|reduce}.java.opts 能夠通過Xmx設置JVM大的heap的使用，
一般設置為0.75倍的memory.mb，

則預留些空間會存儲java,scala code等。

到此，相信大家對“YARN和MapReduce的內存優(yōu)化怎么配置”有了更深的了解，不妨來實際操作一番吧！這里是創(chuàng)新互聯(lián)網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續(xù)學習！

分享名稱：YARN和MapReduce的內存優(yōu)化怎么配置-創(chuàng)新互聯(lián)
轉載來于：http://www.rwnh.cn/article26/ddcccg.html

成都網站建設公司_創(chuàng)新互聯(lián)，為您提供微信小程序、域名注冊、服務器托管、網站設計、關鍵詞優(yōu)化、網站內鏈

廣告

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)