Ubuntu Hadoop 作业优化实战指南
一 环境与健康检查
- 资源与内核
- 提升文件描述符与连接上限：提高进程可打开文件数与内核网络队列，避免“Too many open files / connection refused”。示例：
ulimit -n 65536；内核参数如 net.core.somaxconn、net.ipv4.tcp_max_syn_backlog 适度增大。
- 降低 swap 倾向：将
vm.swappiness 调低（如 10），减少内存换页导致的抖动；必要时可临时关闭 swap。
- 磁盘与文件系统：为数据盘启用 noatime 挂载，减少元数据写放大；选择适合数据密集场景的 I/O 调度器（如 deadline/noop）。
- 预读与大文件顺序读：通过
blockdev --setra 调整预读，提高顺序扫描性能。
- 监控与可视化
- 部署 Prometheus + Grafana 或 Ganglia，重点观测：HDFS 容量/剩余、DataNode 读写吞吐、NameNode RPC 延迟、YARN 队列资源使用、Container 失败与重试、Shuffle 失败与耗时。
- 快速自检命令
- 查看节点资源：
free -m、iostat -x 1、nload
- 查看 HDFS 与 YARN：
hdfs dfsadmin -report、yarn node -list -all、yarn application -list -appStates ALL
二 HDFS 与数据布局优化
- 块大小与副本因子
- 结合作业访问模式调整 dfs.blocksize（默认 128MB）：大文件顺序扫描/聚合可适度增大块以减少分片与 NameNode 压力；小文件密集场景不宜过大。
- 依据可靠性与带宽权衡 dfs.replication（默认 3）：跨机架/跨机房部署可保持 3，同机房高可靠网络可评估 2 以节省存储与网络。
- 小文件治理
- 合并小文件：使用 HAR、SequenceFile、或 CombineFileInputFormat 减少分片与 NameNode 内存占用。
- 开启 JVM 重用（针对大量小文件作业）可显著降低任务启动与 GC 开销。
- 存储与网络
- 优先 SSD 与多盘并行，提升 I/O 并发；为 HDFS 配置 专用网络 避免与业务流量争用。
- 启用压缩（如 Snappy/LZO）降低网络与磁盘 I/O；对冷数据做 归档 分层。
三 MapReduce Shuffle 与任务参数
- 核心 Shuffle 参数（示例为合理起步值，按内存与作业特性微调）
- 环形缓冲区：
mapreduce.task.io.sort.mb=200（默认 100MB）
- 溢写阈值：
mapreduce.map.sort.spill.percent=0.9（默认 0.8）
- 合并因子：
mapreduce.task.io.sort.factor=15（默认 10）
- Reduce 端内存缓存：
mapreduce.reduce.input.buffer.percent=0.4（默认 0.0，需确保 Reduce 堆与容器内存充足）
- 容错与推测执行
- 任务重试：在波动网络或易故障环境，将
mapreduce.{map|reduce}.maxattempts 提升到 8（默认 4）。
- 推测执行：默认开启；在“straggler”明显或存在非确定性慢节点时，可关闭或调低比例，避免资源争用与误判。
- 容器与 JVM 内存配比（示例）
- 容器内存：
mapreduce.{map|reduce}.memory.mb=2304
- JVM 堆：
-Xmx 设为容器内存的约 80%（如 2048m），为堆外与 Shuffle 预留空间
- 并发与资源：结合节点资源设置
yarn.scheduler.{min|max}-allocation-{mb|vcores} 与 yarn.nodemanager.resource.memory-mb，避免超卖。
四 作业设计与数据倾斜治理
- 输入与 Map 端
- 大量小文件：使用 CombineTextInputFormat 合并分片；在作业内尽早做 Combiner 预聚合，减少 Shuffle 数据量。
- Reduce 端
- 合理设置 mapreduce.job.reduces（不宜过少导致长尾等待，也不宜过多导致调度与资源竞争）；启用 slowstart.completedmaps 让 Reduce 提前拉取数据，缩短空转时间。
- 能用 Map Join 就不用 Reduce Join；对大表分桶/排序，提升 Join 效率。
- 数据倾斜
- 抽样与范围分区：对键空间抽样，设定均衡的分区边界；必要时自定义分区器，将热点键打散到多个 Reducer。
- 预聚合与本地聚合：在 Map 端尽可能聚合，降低倾斜键的传输规模。
五 快速调优清单与验证
- 建议按“先易后难、先大后小”的顺序执行
- 合并小文件、开启压缩、使用合适 InputFormat；
- 调整 Shuffle 三件套（io.sort.mb / spill.percent / sort.factor），再视内存调高 Reduce 端 buffer；
- 结合作业特征设置合适的 Reducer 数量与 slowstart；
- 在波动环境下适度提升任务重试，必要时关闭推测执行；
- 校验容器与 JVM 配比，避免 OOM 与频繁 GC；
- 通过 Prometheus/Ganglia 观察 Shuffle 耗时、Spill/Merge 次数、Container 失败与重试、网络吞吐与丢包，按指标回滚或继续微调。
- 常用验证与观测
- 作业详情：
yarn application -status <app_id>
- 节点与队列：
yarn node -list -all、yarn queue -status <queue>
- HDFS 健康：
hdfs dfsadmin -report、hdfs fsck / -files -blocks -locations
- Web UI：NameNode 9870、ResourceManager 8088，核对数据本地性、失败与重试、Shuffle 指标。