hadoop 层面性能调优

1. 守护进行内存调优
   a）NameNode 和 DataNode 内存调整在 hadoop-env.sh 文件中

NameNode： ExportHADOOP_NAMENODE_OPTS=”-Xmx512m-Xms512m -Dhadoop.security.logger=HADOOPSECURITYLOGGER:−INFO,RFAS−Dhdfs.audit.logger={HDFS_AUDIT_LOGGER:-INFO,NullAppender} $HADOOP_NAMENODE_OPTS”

DataNode：
export HADOOP_DATANODE_OPTS=”-Xmx256m -Xms256m -Dhadoop.security.logger=ERROR,RFAS $HADOOP_DATANODE_OPTS”

-Xmx -Xms 这两个参数一般保持一致，以避免每次垃圾回收完成后 JVM 重新分配内存。
b）REsourceManager 和 NodeManager 内存调整在 yarn-env.sh 文件中

REsourceManager：
export YARN_RESOURCEMANAGER_HEAPSIZE=1000 默认 export YARN_RESOURCEMANAGER_OPTS=”………..”可以覆盖上面的值

NodeManager：
export YARN_NODEMANAGER_HEAPSIZE=1000 默认export YARN_NODEMANAGER_OPTS=”“;可以覆盖上面的值

常驻内存经验配置：
namenode:16G
datanode:2-4G
ResourceManager:4G
NodeManager:2G
Zookeeper：4G
Hive Server：2G
2. mr中间目录要配置多个，分散IO 压力

http://hadoop.apache.org/docs/r2.6.0/

配置文件yarn-default.xml 分散 IO 压力
yarn.nodemanager.local-dirs
yarn.nodemanager.log-dirs

配置文件 mapred-default.xml：
mapreduce.cluster.local.dir

配置文件 hdfs-default.xml：提高可靠性
dfs.namenode.name.dir
dfs.namenode.edits.dir
dfs.datanode.data.dir
3. mr中间结果要压缩

a）配置 mapred-site.xml 文件中配置

mapreduce.map.output.compress
true


mapreduce.map.output.compress.codec
org.apache.hadoop.io.compress.SnappyCodec

程序运行时指定参数 hadoop jar /home/hadoop/tv/tv.jar MediaIndex -Dmapreduce.compress.map.output=true -Dmapreduce.map.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec /tvdata /media
b）使用合理的压缩算法（cpu 和磁盘） cpu：如果是 cpu 的瓶颈，可以更换速度快的压缩算法 磁盘：如果是磁盘的瓶颈，可以更换压缩力度大的压缩算法 一般情况我们使用 snappy 压缩，比较均衡 lzo
4. hdfs文件系统中避免，大量小文件存在

1. 根据具体情况，在 Map 节点使用 Combiner，减少输出结果

2. 重用 Writable 类型

比如 声明一个对象 Text word = new Text(); map(),reduce()方法里面重用
7. 根据集群节点具体情况，调整 task 的并行度

设置 map 和 reduce 最大任务个数：
mapreduce.tasktracker.map.tasks.maximum
mapreduce.tasktracker.reduce.tasks.maximum

配置文件 mapred-default.xml：
设置 map 和 reduce 单个任务内存大小：
mapreduce.map.memory.mb 1G 默认
mapreduce.reduce.memory.mb 1G 默认
8. 要有效的监控手段(使用nmon，条件允许会部署ganglia搜集各种指标，分析指标发现瓶颈，然后指定措施)

硬件层面性能调优：

机架分开，节点均匀放置
操作系统层面性能调优：
多个网卡：多网卡绑定，做负载均衡或者主备
磁盘：多个磁盘挂载到不同目录下，存放数据做计算的磁盘不要做 raid

集群规划：

集群节点内存分配：
比如一个数据节点，假如 task 并行度为 8 DataNode（2~4G）+ NodeManager（2G）+Zookeeper（4G）+1G（单个任务默认大小）*8=16G~18G

集群规模： 假如 每天数据 1T 数据保存一个月，每个节点硬盘 2T 1T*3(副本)30（天）=90T=n*2T（60~70%） n=60 节点左右 企业中数据保留 7 天 15 天比较常见，数据比较重要的话 1 个月