Hadoop小试牛刀——HDFS集群压测

在企业中非常关心每天从Java后台拉取过来的数据，需要多久能上传到集群？消费者关心多久能从HDFS上拉取需要的数据？

为了搞清楚HDFS的读写性能，生产环境上非常需要对集群进行压测。

 

HDFS的读写性能主要受网络和磁盘影响比较大。为了方便测试，将hadoop102、hadoop103、hadoop104虚拟机网络都设置为100mbps。

 

100Mbps单位是bit；10M/s单位是byte ; 1byte=8bit，100Mbps/8=12.5M/s。

测试网速：来到hadoop102的/opt/module目录，创建一个

[atguigu@hadoop102 software]$python -m SimpleHTTPServer

1、测试HDFS写性能

0）HDFS写测试底层原理

 

1）测试内容：向HDFS集群写10个128M的文件

[atguigu@hadoop102mapreduce]$ hadoop jar/opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jarTestDFSIO -write-nrFiles 10 -fileSize 128MB
 
2021-02-0910:43:16,853 INFO fs.TestDFSIO: ----- TestDFSIO ----- : write
2021-02-0910:43:16,854 INFO fs.TestDFSIO:            Date & time: Tue Feb 09 10:43:16 CST 2021
2021-02-0910:43:16,854 INFO fs.TestDFSIO:        Number of files: 10
2021-02-0910:43:16,854 INFO fs.TestDFSIO:  TotalMBytes processed: 1280
2021-02-0910:43:16,854 INFO fs.TestDFSIO:       Throughput mb/sec: 1.61
2021-02-0910:43:16,854 INFO fs.TestDFSIO:  Average IO rate mb/sec: 1.9
2021-02-0910:43:16,854 INFO fs.TestDFSIO:   IO ratestd deviation: 0.76
2021-02-0910:43:16,854 INFO fs.TestDFSIO:      Testexec time sec: 133.05
2021-02-0910:43:16,854 INFO fs.TestDFSIO:

注意：nrFiles n为生成mapTask的数量，生产环境一般可通过hadoop103:8088查看CPU核数，设置为（CPU核数 - 1）

• Number of files：生成mapTask数量，一般是集群中（CPU核数-1），我们测试虚拟机就按照实际的物理内存-1分配即可
• Total MBytes processed：单个map处理的文件大小
• Throughput mb/sec:单个mapTak的吞吐量

计算方式：处理的总文件大小/每一个mapTask写数据的时间累加

集群整体吞吐量：生成mapTask数量*单个mapTak的吞吐量

• Average IO rate mb/sec::平均mapTak的吞吐量

计算方式：每个mapTask处理文件大小/每一个mapTask写数据的时间

全部相加除以task数量

• IO rate std deviation:方差、反映各个mapTask处理的差值，越小越均衡

2）注意：如果测试过程中，出现异常

（1）可以在yarn-site.xml中设置虚拟内存检测为false

<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true-->
<property>
    <name>yarn.nodemanager.vmem-check-enabled</name>
     <value>false</value>
</property>

（2）分发配置并重启Yarn集群

3）测试结果分析

（1）由于副本1就在本地，所以该副本不参与测试

 

一共参与测试的文件：10个文件 * 2个副本 = 20个

压测后的速度：1.61

实测速度：1.61M/s * 20个文件 ≈ 32M/s

三台服务器的带宽：12.5 + 12.5 + 12.5 ≈ 30m/s

所有网络资源都已经用满。

如果实测速度远远小于网络，并且实测速度不能满足工作需求，可以考虑采用固态硬盘或者增加磁盘个数。

（2）如果客户端不在集群节点，那就三个副本都参与计算

 

2、测试HDFS读性能

1）测试内容：读取HDFS集群10个128M的文件

[atguigu@hadoop102mapreduce]$ hadoop jar/opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jarTestDFSIO -read-nrFiles 10 -fileSize 128MB
 
2021-02-0911:34:15,847 INFO fs.TestDFSIO: ----- TestDFSIO ----- : read
2021-02-0911:34:15,847 INFO fs.TestDFSIO:            Date & time: Tue Feb 09 11:34:15 CST 2021
2021-02-0911:34:15,847 INFO fs.TestDFSIO:        Number of files: 10
2021-02-0911:34:15,847 INFO fs.TestDFSIO:  TotalMBytes processed: 1280
2021-02-09 11:34:15,848INFO fs.TestDFSIO:       Throughputmb/sec: 200.28
2021-02-0911:34:15,848 INFO fs.TestDFSIO:  AverageIO rate mb/sec: 266.74
2021-02-0911:34:15,848 INFO fs.TestDFSIO:   IO ratestd deviation: 143.12
2021-02-0911:34:15,848 INFO fs.TestDFSIO:      Test exec time sec: 20.83

2）删除测试生成数据

[atguigu@hadoop102mapreduce]$ hadoop jar/opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jarTestDFSIO -clean

3）测试结果分析：为什么读取文件速度大于网络带宽？由于目前只有三台服务器，且有三个副本，数据读取就近原则，相当于都是读取的本地磁盘数据，没有走网络。