Ubuntu下提升Hadoop处理速度的多维度优化策略
yarn.nodemanager.resource.memory-mb调整NodeManager可用内存），避免频繁磁盘交换（Swap）。建议根据集群规模，NameNode内存不低于8GB，DataNode内存不低于4GB。dfs.datanode.data.dir）、NameNode元数据目录（dfs.namenode.name.dir）配置为SSD挂载路径。yarn.nodemanager.resource.cpu-vcores参数，根据节点CPU核心数合理分配（如8核节点可分配6-7个vcores）。dfs.replication参数（默认3），在可靠性与带宽消耗间取得平衡（如集群内部可设置为2）。dfs.blocksize参数设置。dfs.replication（生产环境建议3，测试环境可设为1），避免过多副本占用存储和网络资源。dfs.namenode.handler.count（默认10，可调整为30-50）、dfs.datanode.handler.count（默认10，可调整为20-30）参数设置。mapreduce.job.maps（默认1）、mapreduce.job.reduces（默认1）参数设置，建议值为CPU核心数的1.5-2倍（如8核节点设置12-16个Map任务）。mapreduce.map.output.compress=true）和最终输出（mapreduce.output.fileoutputformat.compress=true）启用Snappy或LZO压缩，减少磁盘I/O和网络传输量（Snappy压缩速度快，适合Hadoop场景）。mapreduce.map.java.opts（默认1GB，可调整为2-4GB）、mapreduce.reduce.java.opts（默认1GB，可调整为4-8GB）参数设置（需结合节点内存调整）。yarn.scheduler.minimum-allocation-mb（容器最小内存，默认1GB，可调整为2GB）、yarn.scheduler.maximum-allocation-mb（容器最大内存，默认8GB，可调整为16GB），避免资源碎片化。/etc/sysctl.conf文件，调整以下参数提升I/O和网络性能：
vm.swappiness=10（降低交换分区使用，优先使用物理内存）；fs.file-max=655360（增加最大打开文件数，适应HDFS大量文件需求）；net.core.somaxconn=1024（增加TCP连接队列长度，提升网络并发能力）。修改后执行sysctl -p生效。systemctl disable <服务名>（如bluetooth、cups）关闭不需要的系统服务，释放内存和CPU资源。mapreduce.job.locality.wait参数（默认3秒）控制任务等待数据本地化的时间，尽量让Map任务在数据所在节点运行，减少网络传输。若数据分布不均，可适当降低该值。Partitioner接口）合理分配数据，避免数据倾斜（部分任务处理量远大于其他任务）。例如，在WordCount作业中，按单词首字母分区可均衡负载。job.setCombinerClass()），减少中间数据量。
