5.1 确定Job基线
操作场景
确定Job基线是调优的基础，一切调优项效果的检查，都是通过和基线数据做对比来获得。
- 充分利用集群资源
- reduce阶段尽量放在一轮
- 每个task的执行时间要合理
操作步骤
原则一：充分利用集群资源
Job运行时，会让所有的节点都有任务处理，且处于繁忙状态，这样才能保证资源充分利用，任务的并发度达到最大。可以通过调整处理的数据量大小，以及调整map和reduce个数来实现。
Reduce个数的控制使用“mapreduce.job.reduces”。
Map个数取决于使用了哪种InputFormat，以及待处理的数据文件是否可分割。默认的TextFileInputFormat将根据block的个数来分配map数(一个block一个map)。通过如下配置参数进行调整。
| 参数名 | 描述 |
|---|---|
| mapreduce.input.fileinputformat.split.maxsize客户端参数 | 用户定义的分片大小的设置及每个文件block大小的设置，可以计算分片的大小。计算公式如下：splitSize = Math.max(minSize, Math.min(maxSize, blockSize))，如果maxSize设置大于blockSize，那么每个block就是一个分片，否则就会将一个block文件分隔为多个分片，如果block中剩下的一小段数据量小于splitSize，还是认为它是独立的分片。 |
| mapreduce.input.fileinputformat.split.minsize客户端参数 | 可以设置数据分片的数据最小值。 |
| CombineTextInputFormat | 解决大量小文件map的问题,将多个小文件合并为一个切片,减少提交任务时的任务数。Job.setInputFormatClass(CombineTextInputFormat.class) |
原则二：控制reduce阶段在一轮中完成
避免以下两种场景：
- 大部分的reduce在第一轮运行完后，剩下唯一一个reduce继续运行。 这种情况下，这个reduce的执行时间将极大影响这个job的运行时间。因此需要将reduce个数减少。
- 所有的map运行完后，只有个别节点有reduce在运行。 这时候集群资源没有得到充分利用，需要增加reduce的个数以便每个节点都有任务处理。
原则三：每个task的执行时间要合理
如果一个job，每个map或reduce的执行时间只有几秒钟，就意味着这个job的大部分时间都消耗在task的调度和进程启停上了，因此需要增加每个task处理的数据大小。建议一个task处理时间为1分钟。