Linux下Hadoop性能调优技巧
Hadoop在Linux环境中的性能表现受硬件配置、操作系统参数、Hadoop自身设置及数据处理策略等多因素影响。以下是针对性的优化技巧：
硬件是性能基础，需根据集群规模和业务需求选择合适的硬件：
net.core.somaxconn增大socket监听backlog，net.ipv4.tcp_max_syn_backlog提升SYN队列长度），减少节点间数据传输瓶颈。调整Linux内核参数，适配Hadoop的高并发需求：
ulimit -n 65536命令增加系统允许同时打开的文件描述符上限（默认1024太小），避免HDFS大量文件打开时报错。vm.swappiness=0（在/etc/sysctl.conf中），关闭操作系统使用swap分区，防止内存不足时频繁换页导致性能下降。net.ipv4.tcp_tw_reuse=1（复用TIME_WAIT连接）、net.ipv4.tcp_fin_timeout=30（缩短FIN等待时间），提升网络吞吐能力。dfs.blocksize（默认128MB），根据数据访问模式增大至256MB或512MB（如批处理场景），减少NameNode的元数据压力（块越大，元数据越少）。dfs.replication（默认3），根据数据重要性降低至2（非关键数据）或提高至4（关键数据），平衡可靠性与存储成本。mapreduce.map.memory.mb（默认1024MB，可根据128MB数据/G内存原则调整至2048MB）、mapreduce.reduce.memory.mb（默认1024MB，调整至4096-8192MB），避免任务因内存不足被杀死。mapreduce.map.cpu.vcores（默认1）、mapreduce.reduce.cpu.vcores（默认1），计算密集型任务可增加至2-4核。mapreduce.task.io.sort.mb（默认100MB，调整至200MB）减少溢写次数；调整mapreduce.reduce.shuffle.parallelcopies（默认5，调整至10）提升Reduce拉取Map数据的并行度；设置mapreduce.reduce.input.buffer.percent（默认0，调整至0.2）允许Reduce直接从Map端缓冲区读取数据，减少磁盘IO。yarn.nodemanager.resource.memory-mb（节点可用内存，如16GB）、yarn.nodemanager.resource.cpu-vcores（节点可用CPU核数，如8核），合理分配给Container；调整yarn.scheduler.maximum-allocation-mb（单个任务最大内存，如8192MB），避免单个任务占用过多资源。mapreduce.job.locality.wait（默认3秒）设置任务等待数据本地化的时间，尽量让计算任务在存储数据的节点上运行，减少网络传输开销（可降低30%以上网络流量）。hdfs balancer命令定期均衡集群数据，避免部分节点负载过高（如数据倾斜导致某些节点CPU利用率达100%）。mapreduce.map.output.compress=true、mapreduce.output.fileoutputformat.compress=true），选择Snappy（速度快）或LZO（压缩率高）编码器（如Snappy可将数据压缩至原大小的1/3-1/2，减少IO和网络传输）。CombineTextInputFormat替代默认TextInputFormat，合并小文件（如小于128MB的文件），减少Map任务数量（如1000个小文件可合并为10个Map任务）；自定义分区函数（实现Partitioner接口），避免数据倾斜（如按key哈希分区时，某些key的数据量过大）。CombineTextInputFormat（设置mapreduce.input.fileinputformat.split.minsize，如256MB），将多个小文件合并为一个InputSplit，减少Map任务数量（如1000个10MB文件可合并为40个Map任务）。.har文件（如hadoop archive -archiveName myhar.har -p /input/dir /output/dir），减少NameNode元数据压力（如100万个小文件可归档为1个HAR文件）。
