Hadoop如何调优

这篇文章将为大家详细讲解有关Hadoop如何调优，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

一 HDFS相关的调优

     关于HDFS的参数调优，第一个就是数据块的大小dfs.block.size,之前默认是64m,hadoop 2.x好像已经改为128m了，如果网络环境比较好，建议根据实际业务需求，适当的调大一些。

其他的例如设置文件的备份数目，默认是3，一般不建议更改。一份保存在datanode节点上，一份保存在同一个机架的其他节点上，另一份保存在其他的机架上，默认情况下，数据是随机分配在各个节点上的，但是可以通过设置机架感知，使得数据在节点间的网络传输减少。

配置如下：在namenode的节点配置hdfs-site.xml

<property>
  <name>topology.script.file.name</name>
  <value>/path/to/RackAware.py</value>
</property

输入某台datanode的ip,返回该ip对应的机架。是在脚本中实现的。

#! /usr/bin/python
import sys

rack={"192.168.1,15":"rack1",
       "192.168.1.16":"rack1",
       "192.168.1.17":"rack2",
       "192.168.1.18":"rack2"}

if __name__=="__main__":
   print "/"+rack.get(sys.argv[1],"rack0"}

设置mapred.local和dfs.data.dir，这两个参数配置的值应当分布在各个磁盘的目录上。

二 mapreduce的调优

首先从map阶段说起，就是设置map的个数问题，默认只有一个map线程，设置map参数的个数是mapred.map.tasks reduce则是mapred.reduce.tasks。因为这两个参数的设置是影响到整个集群的，就是说会考虑到单台机器上的map，reduce个数。map.tasktracker.map.tasks.maxinum和map.tasktracker.reduce.tasks.maxinum这两个参数设置了一台机器上最多能同时运行的map和reduce数目。还有，就是map和reduce之间是怎么样的配比比较好呢？通过观察web界面，查看map和reduce的进度，可以发现当reduce执行到33%时候，map正好执行100%，所以我们可以在控制reduce启动的时间，不让reduce在等待。

当map，reduce个数确定了，根据业务需要，最好设置Combiner 。然后是设置map输出结果到缓存的大小，因为每一个map或者reduce都是一个task，都会启动一个jvm,,io.sort.mb就是分配map端buffer的大小，等于mb*io.sort.spill.percent。

对于map的结果，我们可以设置压缩，减少网络传输。那么建议打开mapred.compress.map.output压缩选项，并配置 mapred.map.output.compression.codec压缩编码格式，一般都会使用snappy，因为这种格式对于压缩和解压缩都相对较快

还有如果你的集群是异构的，有的机器好，有的机器性能差，建议打开推测性执行，打开mapred.reduce.tasks.speculative.execution，有利于优化进程分配，提高集群性能。

在reduce阶段，从map端拷贝数据时，可以设置最大并行拷贝线程数，这些线程会同时从不同的datanode上去map结果 设置mapred.reduce.parallel.copies

下面是一些调优的参数列表：

关于“Hadoop如何调优”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。