大数据Hadoop-生产调优学习之旅第一篇

Mark_Zoe
749 阅读4分钟

「这是我参与11月更文挑战的第18天，活动详情查看：2021最后一次更文挑战」。

一、HDFS 核心参数

1、NameNode 内存生产配置

  • NameNode内存计算

        NameNode内存计算

    每个文件块大概占用150byte，一台服务器128G内存为例，能存储多少文件块呢？

    128 * 1024 * 1024 * 1024  / 150Byte ≈  9.1亿

    G     MB     KB     Byte

  • Hadoop2.x系列，配置NameNode内存

    NameNode内存默认2000m，如果服务器内存4G，NameNode内存可以配置3g。

    在hadoop-env.sh文件中配置如下。

    HADOOP_NAMENODE_OPTS=-Xmx3072m

  • Hadoop3.x系列，配置NameNode内存

    hadoop-env.sh中描述Hadoop的内存是动态分配的

    # The maximum amount of heap to use (Java -Xmx).  If no unit
# is provided, it will be converted to MB.  Daemons will
# prefer any Xmx setting in their respective _OPT variable.
# There is no default; the JVM will autoscale based upon machine
# memory size.
# export HADOOP_HEAPSIZE_MAX=

# The minimum amount of heap to use (Java -Xms).  If no unit
# is provided, it will be converted to MB.  Daemons will
# prefer any Xms setting in their respective _OPT variable.
# There is no default; the JVM will autoscale based upon machine
# memory size.
# export HADOOP_HEAPSIZE_MIN=
HADOOP_NAMENODE_OPTS=-Xmx102400m

    查看NameNode占用内存

    [moe@hadoop102 bin]$ jps
6816 NameNode
7558 Jps
6951 DataNode
7289 NodeManager
7471 JobHistoryServer
[moe@hadoop102 bin]$ jmap -heap 6816
MaxHeapSize              = 1031798784 (984.0MB)

    查看DataNode占用内存

    [moe@hadoop102 bin]$  jps
6816 NameNode
7654 Jps
6951 DataNode
7289 NodeManager
7471 JobHistoryServer
[moe@hadoop102 bin]$ jmap -heap 6951
MaxHeapSize              = 1031798784 (984.0MB)

    查看发现hadoop102上的NameNode和DataNode占用内存都是自动分配的，且相等。不是很合理。

    经验参考：docs.cloudera.com/documentati…

    image.png

    具体修改：hadoop-env.sh

    export HDFS_NAMENODE_OPTS="-Dhadoop.security.logger=INFO,RFAS -Xmx1024m"

export HDFS_DATANODE_OPTS="-Dhadoop.security.logger=ERROR,RFAS -Xmx1024m"

2、NameNode 心跳并发配置

image.png

hdfs-site.xml

The number of Namenode RPC server threads that listen to requests from clients. If dfs.namenode.servicerpc-address is not configured then Namenode RPC server threads listen to requests from all nodes.
NameNode有一个工作线程池，用来处理不同DataNode的并发心跳以及客户端并发的元数据操作。
对于大集群或者有大量客户端的集群来说，通常需要增大该参数。默认值是10。
<property>
    <name>dfs.namenode.handler.count</name>
    <value>21</value>
</property>

image.png

[moe@hadoop102 ~]$ sudo yum install -y python

[moe@hadoop102 ~]$ python
Python 2.7.5 (default, Nov 16 2020, 22:23:17) 
[GCC 4.8.5 20150623 (Red Hat 4.8.5-44)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import math
>>> print int(20*math.log(3))
21
>>>

3、开启回收站配置

开启回收站功能，可以将删除的文件在不超时的情况下，恢复原数据，起到防止误删除、备份等作用。

  • 回收站工作机制

    image.png

  • 开启回收站功能参数说明

    （1）默认值fs.trash.interval = 0，0表示禁用回收站；其他值表示设置文件的存活时间。

    （2）默认值fs.trash.checkpoint.interval = 0，检查回收站的间隔时间。如果该值为0，则该值设置和fs.trash.interval的参数值相等。

    （3）要求fs.trash.checkpoint.interval <= fs.trash.interval。

  • 启用回收站

    修改core-site.xml，配置垃圾回收时间为1分钟。

    <property>
    <name>fs.trash.interval</name>
    <value>1</value>
</property>

  • 查看回收站

    回收站目录在HDFS集群中的路径：/user/moe/.Trash/...

  • 通过网页上直接删除的文件也不会走回收站。

  • 通过程序删除的文件不会经过回收站，需要调用moveToTrash()才进入回收站

    Trash trash = New Trash(conf);
trash.moveToTrash(path);

  • 只有在命令行利用hadoop fs -rm命令删除的文件才会走回收站。

    [moe@hadoop102 hadoop]$ hadoop fs -rm -r /input
2021-11-17 23:16:50,135 INFO fs.TrashPolicyDefault: Moved: 'hdfs://hadoop102:8020/input' to trash at: hdfs://hadoop102:8020/user/moe/.Trash/Current/input

  • 恢复回收站数据

    [moe@hadoop102 hadoop]$ hadoop fs -mv /user/moe/.Trash/Current/input /input

二、HDFS 集群压测

在企业中非常关心每天从Java后台拉取过来的数据，需要多久能上传到集群？消费者关心多久能从HDFS上拉取需要的数据？

为了搞清楚HDFS的读写性能，生产环境上非常需要对集群进行压测。

image.png

HDFS的读写性能主要受网络和磁盘影响比较大。为了方便测试，将hadoop102、hadoop103、hadoop104虚拟机网络都设置为100mbps。

image.png

100Mbps单位是bit；10M/s单位是byte ; 1byte=8bit，100Mbps/8=12.5M/s。

测试网速：来到hadoop102的/opt/module目录，利用python开启一个web服务，方便下边统计测试文件。

[moe@hadoop102 ~]$ cd /opt/module/
[moe@hadoop102 module]$ python -m SimpleHTTPServer

image.png

1、测试 HDFS 写性能

写测试底层原理

image.png

  • 测试内容：向HDFS集群写10个128M的文件

    [moe@hadoop102 mapreduce]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -write -nrFiles 10 -fileSize 128MB

    Number of files：生成mapTask数量，一般是集群中（CPU核数-1），我们测试虚拟机就按照实际的物理内存-1分配即可

    • Total MBytes processed：单个map处理的文件大小
    • Throughput mb/sec:单个mapTak的吞吐量 
    • 计算方式：处理的总文件大小/每一个mapTask写数据的时间累加
    • 集群整体吞吐量：生成mapTask数量*单个mapTak的吞吐量
    • Average IO rate mb/sec::平均mapTak的吞吐量
    • 计算方式：每个mapTask处理文件大小/每一个mapTask写数据的时间 全部相加除以task数量
    • IO rate std deviation:方差、反映各个mapTask处理的差值，越小越均衡

  • 注意：如果测试过程中，出现异常

    • 可以在yarn-site.xml中设置虚拟内存检测为false
    <!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
     <name>yarn.nodemanager.vmem-check-enabled</name>
     <value>false</value>
</property>
    • 分发配置并重启Yarn集群

  • 测试结果分析

    （1）由于副本1就在本地，所以该副本不参与测试

    image.png

    一共参与测试的文件：10个文件 * 2个副本 = 20个

    压测后的速度：1.61

    实测速度：1.61M/s * 20个文件 ≈ 32M/s

    三台服务器的带宽：12.5 + 12.5 + 12.5 ≈ 30m/s

    所有网络资源都已经用满。

    如果实测速度远远小于网络，并且实测速度不能满足工作需求，可以考虑采用固态硬盘或者增加磁盘个数。

    （2）如果客户端不在集群节点，那就三个副本都参与计算

    image.png

2、测试 HDFS 读性能

  • 测试内容

    读取HDFS集群10个128M的文件

    [moe@hadoop102 mapreduce]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -read -nrFiles 10 -fileSize 128MB

  • 删除测试生成数据

    [moe@hadoop102 mapreduce]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -clean

  • 测试结果分析

    为什么读取文件速度大于网络带宽？由于目前只有三台服务器，且有三个副本，数据读取就近原则，相当于都是读取的本地磁盘数据，没有走网络。

    image.png

三、友情链接

大数据Hadoop-Yarn学习之旅第二篇

大数据Hadoop-Yarn学习之旅第一篇

大数据Hadoop-MapReduce学习之旅第六篇

大数据Hadoop-MapReduce学习之旅第五篇

大数据Hadoop-MapReduce学习之旅第四篇

大数据Hadoop-MapReduce学习之旅第三篇

大数据Hadoop-MapReduce学习之旅第二篇

大数据Hadoop-MapReduce学习之旅第一篇

avatar
文章
阅读
粉丝