Reduce对Pig作业性能的影响

很多用户在使用HDInsight的Pig功能时，发现有时很简单一个Pig Latin的relation会花费很长时间执行，当HDI使用MR框架时，由于Pig会根据具体的relation拆分成相应的Map和Reduce任务。根据Hadoop的MR框架如下特点，针对Reduce并行度的优化，会对Pig的作业有很大的性能影响。

Hadoop的MR框架中有以下特点：

• Map的并行度个数是由输入文件来决定，而Reduce并行度的个数是由Parallel关键字来决定。
• 当不指定parallel关键字时， Reduce task仅有一个。
• Reduce的并行度依赖于cluster的规模。

具体内容看如下文档：https://wiki.apache.org/pig/PigLatin

当我们使用Get-AzureHDInsightJobOutput来进一步分析Pig作业的具体执行情况，我们可以通过Pig作业执行的具体日志来查看Map和Reduce的效率。如下为当使用group by的Pig作业的日志信息：

===================================================

测试1：默认一个Reduce的Pig 作业，执行Pig作业花费了74分钟：

-----------------------------

2015-02-10 09:01:27,937 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 0% complete

2015-02-10 09:02:43,446 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 4% complete

…

2015-02-10 10:15:18,029 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 100% complete

…

JobId     Maps    Reduces              MaxMapTime   MinMapTIme    AvgMapTime              MedianMapTime            MaxReduceTime             MinReduceTime              AvgReduceTime              MedianReducetime        Alias      Feature              Outputs

job_1423547880282_0013          482        1            418        23          63          63              4314      4314      4314      4314      analyzed,grpd,outtuple GROUP_BY              wasb:///home/ambertest1_32node,

-----------------------------

测试2：优化为80个Reduce的Pig  作业，执行同样的Pig 作业花费了6分钟：

-----------------------------

2015-02-23 12:05:46,885 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 0% complete

2015-02-23 12:07:06,056 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 4% complete

…

2015-02-23 12:11:27,168 [main] INFO org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher- 100% complete

JobId     Maps    Reduces              MaxMapTime   MinMapTIme    AvgMapTime              MedianMapTime            MaxReduceTime             MinReduceTime              AvgReduceTime              MedianReducetime        Alias      Feature              Outputs

job_1423547880282_0049          482        80          134        19          57          61              204        70          153        155        analyzed,grpd,outtuple GROUP_BY              wasb:///home/ambertest9_32node,

-----------------------------

===================================================

以上Pig Latin作业主要使用的是 Group by来声明Pig的relation，此外针对其它等同样需要使用reduce关键字的Pig作业，有以下优化建议：

1. 在具体执行的Pig Latin中指定所需的Reduce并行度，具体语句如下：

    SET default_parallel 80; <根据具体HDIcluster的规模设定Reduce的并行度>

2. 设定整个HDI cluster的MR框架的Reduce并行度，方法如下：

    修改mapred-site.xml文件的如下属性：
    <property>

    <name>mapreduce.job.reduces</name>

    <value>80</value>

    </property>