mr内存不足问题解决

1、yarn的container模型说明

image.png

container的内存分为两部分

jvm进程的内存大小
container启动工作的内存大小，一般占用15% container

container 启动是由appmaster启动，接收appmaster的管理

2、mr 计算过程

image.png

map阶段

一个大文件分成多个小文件块输入到 map中
map将文件块读取排好序生成小文件
多次合并小文件，最终生成有序文件，并根据reduce的个数分区

shuffle 阶段

map的container, 启动服务于reduce取数的线程
reduce 启动拉取数据线程拉取数据

reduce阶段

读取多个map归属于同一个reduce分区的数据
读取达到缓存池大小时生成小文件
多次合并小文件并排序，最终生成一个有序的大文件上传到hdfs

备注：图中缺失reduce的spill小文件阶段

2.1、map的参数

mapreduce.task.io.sort.mb       用于map输出排序的内存大小  100
mapreduce.map.sort.spill.percent        开始spill的缓冲池阈值    0.8
mapreduce.task.io.sort.factor           合并文件数最大值，与reduce共用 10
mapreduce.map.output.compress       输出是否压缩   false
mapreduce.map.output.compress.codec        压缩算法类        DefaultCodec压缩算法
mapreduce.shuffle.max.threads     用于reduce提取结果的线程数量   0 设置为0表示默认值为可用处理器数量的2倍

2.3、reduce的参数

mapreduce.reduce.shuffle.parallelcopies  5 提取map输出的copier线程数 
mapreduce.task.io.sort.factor  10   合并文件数最大值，与map共用
mapreduce.reduce.shuffle.input.buffer.percent  0.70 copy阶段用于保存map输出的堆内存比例
mapreduce.reduce.shuffle.merge.percent   0.66   开始spill文件的缓冲池比例阈值
mapreduce.reduce.merge.inmem.threshold  1000 开始spill的reduce输出文件数阈值，小于等于0表示没有阈值，此时只由缓冲池比例来控制
mapreduce.reduce.input.buffer.percent  0.0 reduce函数开始运行时，内存中的map输出所占的堆内存比例不得高于这个值，默认情况内存都用于reduce函数，也就是map输出都写入到磁盘

3、内存溢出

hive在执行mr任务时，内存溢出分为三中情况

map阶段
shuffle阶段
reduce阶段

3.1、map阶段

mapjoin 分3个阶段参考 https://www.cnblogs.com/yeyuzhuanjia/p/17921752.html

读取小表的数据生成hashtable文件
上传到hdfs目录
启动map任务，通过map与hastable进行计算

生成hashtable时hive会启动本地map ，这时是占用hive的内存。这一般不会出现内存不足的情况；在map 与hashtable进行运算时会出现内存不足的情况

Starting task [Stage-4:MAPREDLOCAL] in serial mode

解决

方法一、关闭mapjoin使用common join即在reduce端进行join

set hive.auto.convert.join=false;

方法二、调大mr的内存

set mapreduce.map.memory.mb=4096;
set mapreduce.map.java.opts=-Xmx3900m;
set mapreduce.reduce.memory.mb=4096;
set mapreduce.reduce.java.opts=-Xmx3900m;

3.2、shuffle阶段

可以调整mr的参数，也可无脑同上增大内存

3.3、reduce 阶段

方法一、调整mr参数

set hive.exec.reducers.bytes.per.reducer=30000000  #调整每个reduce处理数据大小，从而增大reduce数进行分散

方法二、也可无脑同上增大内存

常见问题

1、beeline 执行查询获取数据内存不足

beeline默认启动内存128M，查询时返回结果集过大，导致beeline无法承载导致。

    org.apache.thrift.TException: Error in calling method FetchResults
            at org.apache.hive.jdbc.HiveConnection$SynchronizedHandler.invoke(HiveConnection.java:1421)
            .....
    Caused by: java.lang.OutOfMemoryError: GC overhead limit exceeded
            at java.util.Arrays.copyOf(Arrays.java:3332)
            at java.lang.StringCoding.safeTrim(StringCoding.java:89)

解决

export HIVE_OPTS=-Xmx1024M