Debian下Hadoop性能调优技巧
/etc/security/limits.conf，增加用户进程可打开的文件描述符数量（如* soft nofile 65536; * hard nofile 65536）；编辑/etc/sysctl.conf，优化网络连接设置（net.core.somaxconn = 32767、net.ipv4.tcp_max_syn_backlog = 2048、net.ipv4.ip_local_port_range = 1024 65535），提升集群网络并发处理能力。sysctl vm.swappiness=0或修改/etc/sysctl.conf永久禁用Swap，避免Hadoop进程因内存不足而频繁交换数据到磁盘，导致性能骤降。dfs.block.size（默认128MB，大文件处理可增至256MB或512MB），减少元数据数量，提升并行处理效率。dfs.replication（默认3，非关键数据可降至2，节省存储空间与网络传输开销）。dfs.namenode.handler.count（如20 * log2(集群节点数)），提升NameNode处理DataNode心跳的能力，避免因心跳堆积导致元数据管理延迟。mapreduce.map.memory.mb（如2048MB）、mapreduce.reduce.memory.mb（如4096MB），避免内存不足引发频繁GC；同时设置yarn.scheduler.minimum-allocation-mb（如1024MB）和yarn.scheduler.maximum-allocation-mb（如8192MB），匹配YARN资源调度策略。mapreduce.job.maps（默认由InputFormat决定）和mapreduce.job.reduces（如0.95 * 集群Reduce Slot总数）调整任务数量，避免任务过细（启动开销大）或过粗（负载不均衡）。job.setCombinerClass(SumCombiner.class)），减少Map与Reduce之间的中间数据传输量，提升整体作业效率。yarn.nodemanager.resource.memory-mb（如集群总内存的80%）和yarn.nodemanager.resource.cpu-vcores（如集群总CPU核心数的80%），合理分配节点资源给YARN应用。CapacityScheduler适合多租户共享集群，公平调度器FairScheduler适合保证小作业公平性），并通过yarn.scheduler.capacity.root.queues配置队列资源分配策略。hadoop-env.sh中的HADOOP_HEAPSIZE（如8GB），并为NameNode单独设置更大堆内存（如HADOOP_NAMENODE_OPTS="-Xmx16g"），避免因堆内存不足导致OOM错误。-XX:+UseG1GC），并设置-XX:MaxGCPauseMillis=200（目标最大GC停顿时间），减少GC对应用的影响；避免使用CMS收集器（已逐渐被淘汰）。dfs.datanode.data.dir配置DataNode本地磁盘路径，确保任务优先在数据所在节点执行（减少网络传输）；若无法本地化，可配置机架感知策略（dfs.network.script），提升跨机架数据传输效率。mapred-site.xml中设置mapreduce.map.output.compress=true（启用Map输出压缩）、mapreduce.output.fileoutputformat.compress=true（启用最终输出压缩），并选择Snappy（压缩快、压缩比适中）或LZO（压缩比高、需额外安装）算法，平衡压缩效率与性能。TestDFSIO（测试HDFS读写性能）、TeraSort（测试MapReduce排序性能）等工具进行基准测试，对比优化前后的性能变化，验证调优效果。
