Yarn中的Map和Reduce的优化

左手的ㄟ右手 2022-05-23 12:23 141阅读 0赞

通过Hive执行的批次任务处理失败，Spark中报的错误日志如下：

ERROR : Failed to monitor Job[ 3] with exception 'java.lang.IllegalStateException(RPC channel is closed.)'
    java.lang.IllegalStateException: RPC channel is closed.
    	at com.google.common.base.Preconditions.checkState(Preconditions.java:145)
    	at org.apache.hive.spark.client.rpc.Rpc.call(Rpc.java:277)
    	at org.apache.hive.spark.client.SparkClientImpl$ClientProtocol.run(SparkClientImpl.java:584)
    	at org.apache.hive.spark.client.SparkClientImpl.run(SparkClientImpl.java:151)
    	at org.apache.hadoop.hive.ql.exec.spark.status.impl.RemoteSparkJobStatus.getSparkJobInfo(RemoteSparkJobStatus.java:147)

通过Yarn的ResourceManager可以看到错误日志如下：

Diagnostics: Container [pid=31880,containerID=container_1528360247633_0013_01_000001] is running beyond physical memory limits. 
    Current usage: 1.0 GB of 1 GB physical memory used; 2.8 GB of 2.1 GB virtual memory used. Killing container.

其中提示“1.0 GB of 1 GB physical memory used; 2.8 GB of 2.1 GB virtual memory used”，说明是由于内存不足导致了问题的发生，因而需要针对Yarn的容器的内存做优化。

1.调整每个容器节点的最大可用内存

这个根据当前所使用服务器的实际情况决定，另外还需要考虑给操作系统预留可使用的内存，如当前的服务器的内存为16G，可以配置为12G，其余4G留给操作系统：

<name>yarn.nodemanager.resource.memory-mb</name>
    <value>12000</value>

注：配置在yarn-site.xml中

2.调整单个容器可申请的最小内存

调整参数为yarn.scheduler.minimum-allocation-mb，该值和第1点谈到的单个容器的最大可存，可用于测算单台服务器可运行的最多的容器数，现将其值调为2G：

<name>yarn.scheduler.minimum-allocation-mb</name>
     <value>2048</value>

注：配置在yarn-site.xml中

3.提升Map和Reduce可使用的内存

在当前示例中，给每个容器设置了2G的内存（通过参数yarn.scheduler.minimum-allocation-mb=2048），因此我们给Map任务容器分配了4G的内存，给Reduce任务容器分配了8G的内存：

<name>mapreduce.map.memory.mb</name>
     <value>4096</value>
     <name>mapreduce.reduce.memory.mb</name>
     <value>8192</value>