MapReduce优化方法主要从六个方面考虑：数据输入、Map阶段、Reduce阶段、IO传输、数据倾斜问题和常用的调优参数。
数据输入 (1）合并小文件:在执行MR任务前将小文件进行合并，大量的小文件会产生大量的Map任务，增大Map任务装载次数，而任务的装载比较耗时，从而导致MR运行较慢。 (2）采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。Map阶段 (1）减少溢写(Spill）次数:通过调整io.sort.mb及sort.spill.percent参数值，增大触发Spill的内存上限，减少Spill次数，从而减少磁盘IO。 (2)减少合并(Merge)次数:通过调整io.sort.factor参数，增大Merge的文件数目，减少Merge的次数，从而缩短MR处理时间。 (3）在Map之后，不影响业务逻辑前提下，先进行Combine处理，减少IO。Reduce阶段 (1)合理设置Map和Reduce数:两个都不能设置太少，也不能设置太多。太少，会导致Task等待，延长处理时间;太多，会导致Map、Reduce任务间竞争资源，造成处理超时等错误。 (2)设置Map、Reduce共存:调整slowstart.completedmaps参数，使Map运行到—定程度后，Reducet也开始运行，i减少Reduce的等待时间。 (3规避使用Reduce:因为Reduce在用于连接数据集的时候将会产生大量的网络消耗。 (4)合理设置Reduce端的Buffer:默认情况下，数据达到一个阈值的时候，Buffer中的数据就会写入磁盘，然后Reduce会从磁盘中获得所有的数据。也就是说，Buffer和Reduce是没有直接关联的，中间多次写磁盘->读磁盘的过程，既然有这个弊端，那么就可以通过参数来配置，使得Buffer中的一部分数据可以直接输送到Reduce，从而减少Io开销: mapreducereduce.input buffer.percent，默认为0.0。当值大于0的时候，会保留指定比例的内存读Buffer 中的数据直接拿给Reduce使用。这样一来，设置Buffer需要内存，读取数据需要内存，Reduce计算也要内存，所以要根据作业的运行情兄进行调整。I/O传输 1)采用数据压缩的方式，减少网络IO的的时间。安装Snappy和LZO压缩编码器。 2)使用SequenceFile二进制文件。数据倾斜问题 1）数据倾斜现象 数据频率倾斜——某一个区域的数据量要远远大于其他区域。 数据大小倾斜——部分记录的大小远远大于平均值。 2）减少数据倾斜的方法 方法1:抽样和范围分区 可以通过对原始据进行抽样得到的结果集来预设分区边界值。 方法2:自定义分区 基于输出键的背景知识进行自定义分区。例如，如果Map输出键的单词来源于一本书。且其中某几个专业词汇较多。那么就可以自定义分区将这这些专业词汇发送给固定的一部分Reduce实例。而将其他的都发送给剩余的Reduce实例。 方法3:Conbine 使用Combine可以大量地减小数据倾斜。在可能的情况下，Combine的目的就是聚合并精简数据。 方法4:采用Map Join，尽量避免Reduce Join。常用的调优参数 6.1 资源相关参数 （1）以下参数是在用户自己的MR应用程序中配置就可以生效（mapred-default.xml） （2）应该在YARN启动之前就配置在服务器的配置文件中才能生效（yarn-default.xml） （3）Shuffle性能优化的关键参数，应在YARN启动之前就配置好（mapred-default.xml） 6.2 容错相关参数(MapReduce性能优化)（2）在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。 Sequence File Sequence File由一系列的二进制key/value组成，如果key为文件名，value为文件内容，则可以将大批小文件合并成一个大文件。
（3）在MapReduce处理时，可采用CombineTextInputFormat提高效率。 combineFilelnputFormat CombineFileInputFormat是一种新的InputFormat，用于将多个文件合并成一个单独的split，另外，它会考虑数据的存储位置。 （4）开启JVM重用 对于大量小文件Job，可以开启JVM重用会减少45%运行时间。 JVM重用原理:一个Map运行在一个JVM上，开启重用的话，该Map在JVM上运行完毕后，JVM继续运行其他Map。 具体设置: maprechice.job.jvm.numtasks值在10-20之间。
