（1）增大作业的并行程度，如增加Map任务的数量 （2）保证任务执行时有足够的资源
（3）满足前两个的情况下，尽可能为shuffle阶段提供资源

【以上适用于大部分分布式计算的框架】

1. Hadoop客户端的概念

Hadoop是主从架构，具体存储和计算由从节负责，主节点负责调度、元数据存储、资源管理。一般讲提交计算任务的工作放在主节点完成。实际上在集群中的任意一个节点都可以被用来提交任务。但是这样会增加运维难度，使得整个集群不“”“纯净”。

Hadoop客户端：独立于集群之外，不参与计算和存储，只是用来提交任务。

Hadoop客户端节点的部署：所有配置和集群中的任意节点完全相同，如此可以执行Hadoop的所有命令。但是在集群的配置文件slaves中没有配置Hadoop客户端的IP地址。所有在Hadoop客户端节点上不会启动集群的服务进程。
这个节点部署好之后，Hadoop客户端就接管了集群中所有与计算存储无关的任务，（例如HDFS中上传下载文件，提交计算任务等）。那么自然Hive和Sqoop等也应该安装在Hadoop客户端上。本质上如Hive之类的组件对于Hadoop来说都是一个客户端，通过提交任务来和集群进行交交互。一个规范的集群，用户应该通过Hadoop客户端来和Hadoop集群进行交互。

2. Hadoop性能优化

Hadoop性能优化需要全方位的考虑，其本身就不是一个独立的存在，它与Jvm、操作系统甚至硬件都有着紧密的联系。因此优化工作围绕四个部分展开。

2.1 硬件

Hadoop是主从模式，因此主节点需要比从节点好一些。主要从CPU、内存和磁盘三个部分分析。

- 2.1.1 主节点

主节点上运行着NameNode，在内存方面需要有特别的考虑。因为每当HDFS启动，NameNode会将元数据加载到内存中，所以HDFS能够存储的文件总数受到NameNode内存容量的限制。（一般secondaryNameNode和不安装在主节点上，它的硬件配置应该和NameNode一样，当主节点宕机，就需要它接替）。
作业运行的元数据信息也是保存在主节点上的，因此根据集群使用场景的不同来考虑主节点的内存大小。

- 2.1.2 从节点

从节点负责计算和存储，所以要保证CPU和内存能够满足计算任务。磁盘能够满足存储数据。一般一个任务占用一个虚拟CPU（虚拟CPU的计算公式：CPU数X单个CPU核心数X单个CPU超线程数）。一般一个任务需要1G的内存。
规划磁盘是主要考虑副本的冗余情况，一般副本数为3。总的文件平摊到每一个节点，还需要至少20%~30%的磁盘空间用于存储临时文件。

计算中的中间数据的存储和网络数据的传输也是需要考虑的。因此带宽和节点的本地磁盘根据具体的任务量进行规划。

【TIPS：对整个集群规模进行规划时，最常见的是根据存储空间来考虑集群大小，因为在得到存储能力的同时也得到了计算资源。】

2.2 操作系统

- 2.2.1 避免使用swap分区

swap分区是指在系统物理内存不够的时候，把磁盘中的一部分空间释放，以供当前运行的程序使用。（通过vm.swappiness参数进行控制，值域是0~100，值越高说明操作系统内核越积极地将应用程序的数据交换到磁盘）。将Hadoop守护进程的数据交换到磁盘是非常危险的，有可能导致操作超时，所以应该将它设置为0。

- 2.2.2 调整内存分配策略

操作系统内核根据vm.ovecommit_memory的值来决定分配策略，其值为0、1、2

0：内核检查是否有足够的内存供进程使用，如果够，允许申请，否则申请失败，并把错误返回给进程。

1：内核允许分配所以的内存，不论现在处于何种状态。

2：内核允许分配超过所以物理内存和交换空间总和的内存，（通过vm.overcommit_ratio的值来设置超过的比率，50表示超过物理内存50%）。

【TIPS：建议设置为2，并且调整vm.overcommit_ratio】

- 2.2.3 修改net.core.somaxconn参数

net.core.somaxconn是Linux的一个内核参数，表示套接字（socket）坚挺的backlog上限。backlog是套接字的监听队列，当一个请求尚未被处理或者建立时，会进入backlog。套接字服务器可以一次处理backlog中的所有请求，处理后的请求不在位于监听队列中。（当服务器处理请求较慢时，以至于监听队列会被填满，新来的请求会被拒绝）。

在core-default.xml文件中，参数ipc.server.listen.queue.size控制了服务器套接字监听队列的长度（即backlog的长度），默认值为128。Linux的参数net.core.somaxconn的默认值同样也是128。当服务器繁忙时这个值太小了，需要增大backlog。两个参数同时增大。

【TIPS：建议设置为32768】

- 2.2.4 增大同时打开文件描述符的上限

对于内核而言，所以打开的文件都通过文件描述符引用。（文件描述符是一个非负整数），当打开或新建一个文件的时候，内核像进程返回一个文件描述符。读写文件时，open（），create（）函数都是返回文件描述符给read（）或write（）函数。Hadoop作业可以同时打开多个文件，所以需要增大同时打开文件描述符的上限。

- 2.2.5 选择合适的文件系统

Hadoop主要运行在Linux上，常见的文件系统有：ext3、ext4、xfs等。当文件系统被格式化之后，还需要进行一项优化操作：禁用文件的访问时间。

【TIPS：对于普通机器来书，文件访问时间可以让用户知道文件的近期查看和修改，但是对于HDFS没有意义，因为HDFS不支持修改，如果不禁用，在每次读取文件的时候还有伴随进行一次写操作，这些开销是浪费时间的，因此在挂在数据分区时，禁用文件的访问时间】

- 2.2.6 关闭THP（Transport Huge Pages）

Huge Pages就是大小我2MB~1GB的内存页，THP是一个使管理HugePages自动化的抽象层，在运行Hadoop时，THP会引起CPU占用率偏高。

2.3 JVM优化

主要调整JVM FLAGS和JVM GC，优化后效率提高4%。

2.4 Hadoop参数优化

不同版本Hadoop的参数名称可能不同。

- 2.4.1 hdfs-site.xml

<property>
<name>dfs.block.size</name>
<value>134217728</value>
</property>

【TIPS:Hadoop文件块大小通常设置为128MB（根据实际测试，128MB的性能表现优于64MB、256MB和384MB）】

<property>
<name>dfs.namenode.handler.count</name>
<value>40</value>
</property>

【TIPS:NameNode同时和DataNode通信的线程数，默认为10，将其增大为40】

<property>
<name>dfs.datanode.max.xcievers</name>
<value>65536</value>
</property>

【TIPS:dfs.datanode.max.xcievers对于DataNode来说就相当于Linux中的文件句柄的限制，当DataNode上面的连接数超过设置的值，DataNode就会拒绝连接】

<property>
<name>dfs.balance.bandwidthPerSec</name>
<value>20485760</value>
</property>

【TIPS:之执行start-balancecer.shd 带宽，默认我1048579（1MB/S）,将其增大为20MB/S】

<property>
<name>dfs.replication</name>
<value>3</value>
</property>

【TIPS:设置HDFS的文件副本数，默认为3，当许多任务同时读取一个文件时，读取可能会造成瓶颈，增大副本数可以有效缓解，但也会造成大量的磁盘空间占用，这时可以只修改Hadoop客户端的配置，从Hadoop客户端上传的文件的副本数以Hadoop客户端的设置为准】

- 2.4.2 core-site.xml

<property>
<name>io.file.buffer.size</name>
<value>131072</value>
</property>

【TIPS:Hadoop的缓冲区用于Hadoop对HDFS文件的读写，还有map的中间结果输出也是在缓冲区，默认4KB，增大到128KB】

<property>
<name>fs.inmemory.size.mb</name>
<value>200</value>
</property>

【TIPS：reduce阶段合并map输出的内存限制，这里设置为200，可以根据自身硬件设备进行测试】

- 2.4.3 mapred-site.xml

<property>
<name>mapred.tasktracker.map.tasks.maximum</name>
<value></value>
</property>

【TIPS:Map任务的槽数（即同时运行Map任务的最大数量）根据机器配置进行设置，默认为2】

<property>
<name>mapred.tasktracker.reduce.tasks.maximum</name>
<value></value>
</property>

【TIPS:Map任务的槽数（即同时运行Reduce任务的最大数量）根据机器配置进行设置，默认为2，一般要明显少于Map任务的槽数，！！每个节点所以的槽加起来的数量不能超过虚拟CPU的数量】
}
！！！【{}中的部分在Hadoop2.0中貌似可以不配置，因为在Hadoop2.0中已经没有任务槽的概念了】**

<property>
<name>mapred.max.split.size</name>
<value>134217728</value>
</property>

<property>
<name>mapred.min.split.size</name>
<value>134217728</value>
</property>

【TIPS：InputSplit的个数=max（mapred.min.split.size，min（mapred.max.split.size， dfs.block.size）），InputSplit的个数决定了Map任务的个数，最好使InputSplit的大小和块大小一样以实现计算本地化】

**{

<property>
<name>mapred.jobtracker.heartbeat.interval.min</name>
<value>2000</value>
</property>

【TIPS:JobTraker和TaskTracker之间的心跳间隔的最小值，默认为3000，可适当减小】

<property>
<name>mapred.jobtracker.heartbeat.scaling.factor</name>
<value>0.01</value>
</property>

【TIPS：默认为0.01，表示没增加100个节点，心跳增加100 X 0.01=1秒，可以更具具体情况进行设置】

<property>
<name>mapred.tasktracker.outofband.heartbeat</name>
<value>true</value>
</property>

【TIPS:是否开启带外心跳，默认为true，默认情况下tasktracker任务结束后会在下一次通知jobtracker，为了减少任务分配的延迟，开启带外心跳，在任务结束后立即通知jobtracker，以便能够马上分配任务】

<property>
<name>mapred.tasktracker.handler.count</name>
<value>40</value>
</property>

【TIPS：JobTracker处理各个TaskTracker的RPC请求，该项可以根据服务器的配置和集群规模适当增加，默认为10】

<property>
<name>mapred.tasktracker.http.threads</name>
<value>40</value>
</property>

【TIPS：TaskTracker用来处理Reduce任务发送的请求的HTTP服务器的线程数，可以适当增加，默认为10】
}
！！！【{}中的部分在Hadoop2.0中貌似可以不配置，因为在Hadoop2.0中已经没有任务槽的概念了】
【实际经验表明：只有当输入数据量很大并且容易拆分时（如文本文件），才应该启用压缩，否则会造成集群性能的降级。】**

<property>
<name>mapred.compress.map.output</name>
<value>true</value>
</property>

【TIPS：Map任务的中间结果默认不会进行压缩，设置为true，会对中间结果进行压缩，减少数据传输时的带宽需求（mapred.map.output.compression.codec进行压缩算法的选择，有效算法需要额外安装）】

<property>
<name>mapred.job.reuse.jvm.num.tasks</name>
<value>-1</value>
</property>

【TIPS：JVM重用机制，默认为1，表示一个JVM只能启动一个任务，现在设置为-1.表示1个JVM可以启动的任务数不受限制】

<property>
<name>mapred.map.tasks.speculative.execuition</name>
<value>true</value>
</property><property>
<name>mapred.reduce.tasks.speculative.execuition</name>
<value>true</value>
</property>

【TIPS：以上两个参数分别开启Map任务和Reduce任务的推测机制，（推测机制可以有效的防止因为瓶颈而导致拖累整个作业），但是推测机制执行会抢占系统资源】

<property>
<name>mapred.local.dir</name>
<value>/data0/mapred,/data1/mapred,/data2/mapred,/data3/mapred,</value>
</property>

【TIPS：设置MapReduce的中间结果的本地存储路径，将该值设置为一系列多磁盘目录有助于提高I/O效率】

<property>
<name>mapred.child.java.opts</name>
<value>-Xmx1024m</value>
</property>

【TIPS：TaskTracker的Java子进程的Java参数，默认为-Xmx200m，一般来说Map任务需要的内存比Reduce任务少，该值还可以设置为TaskTracker的内存总量/槽数量】

<property>
<name>mapred.map.child.java.opts</name>
<value>-Xmx1024m</value>
</property><property>
<name>mapred.reduce.child.java.opts</name>
<value>-Xmx1024m</value>
</property>

【TIPS：设置Map和Reduce任务进程的Java参数，可以解决mapred.map.child.java.opts粒度过粗的问题，默认为-Xmx200m】

<property>
<name>io.sort.mb</name>
<value>100</value>
</property>

【TIPS：为Map任务的输出的环形缓冲区，默认100MB，可以适当增大】

<property>
<name>io.sort.spill.percent</name>
<value>0.8</value>
</property>

【TIPS：为Map任务的输出的环形缓冲区的阀值，一旦缓冲区的内容占缓冲区的比例超过阀值，则将缓冲区中的内容刷写到mapred.local.dir目录中，默认为0.8，建议不低于0.5】

<property>
<name>mapred.reduce.parallel.copies</name>
<value>25</value>
</property>

【TIPS：Reduce任务辅助Map任务输出的工作线程数，默认为5，可以适当调高，但不是越大越好，值过大会使得大量数据同时在网络中传输，引起I/O压力（比较科学的方式为4 X lgN，N为集群大小）】

<property>
<name>mapred.job.shuffle.input.buffer.percent</name>
<value>0.7</value>
</property>

【TIPS：在shuffle的复制阶段消耗Reduce任务的内存比，默认为0.7，Reduce任务的内存为mapred.reduce.child.java.opts设置的值】

<property>
<name>mapred.job.shuffle.merge.percent</name>
<value>0.66</value>
</property>

【TIPS：当内存使用率超过该值，会触发一次合并操作，将内存中的数据刷写到磁盘中，默认为0.66】

<property>
<name>mapred.reduce.slowstart.completed.maps</name>
<value>0.05</value>
</property>

【TIPS：控制Reduce任务的启动时机，默认为0.05，也就是说当Map任务完成到5%，启动Reduce任务，这是为较缓慢的网络传输设计的，可以适当提高，不过Reduce任务启动时机过早或者过晚都会增加作业完成时间】

<property>
<name>io.sort.factor</name>
<value>10</value>
</property>

【TIPS：控制Map端和Reduce端的合并策略，表现为一次合并的文件数目，默认为10，该值设置过大合并时消耗内存巨大，过小则合并次数过多】

除了以上配置，还可以设置任务调度器、设置跳过坏记录来提高执行效率。

<property>
<name>mapred.job.shuffle.merge.percent</name>
<value>0.66</value>
</property>