大数据面试 | 07 从这5个方面入手，回答好Hadoop 优

Hadoop 优化 （记住6条-10条即可）

1)数据输入小文件处理:

1. 合并小文件:对小文件进行归档(har)、自定义 inputformat 将小文件存储成 sequenceFile 文件。
2. 采用 ConbinFileInputFormat 来作为输入，解决输入端大量小文件场景。
3. 对于大量小文件 Job，可以开启 JVM 重用。

2)map 阶段

1. 增大环形缓冲区大小。由 100m 扩大到 200m
2. 增大环形缓冲区溢写的比例。由 80%扩大到 90%
3. 减少对溢写文件的 merge 次数。
4. 不影响实际业务的前提下，采用 combiner 提前合并，减少 I/O。

3)reduce 阶段

1. 合理设置 map 和 reduce 数:两个都不能设置太少，也不能设置太多。太少，会 导致 task 等待，延长处理时间;太多，会导致 map、reduce 任务间竞争资源，造成处理 超时等错误。

2. 设置 map、reduce 共存:调整 slowstart.completedmaps 参数，使 map 运行到一 定程度后，reduce 也开始运行，减少 reduce 的等待时间。

3. 规避使用 reduce，因为 Reduce 在用于连接数据集的时候将会产生大量的网络消耗

4. 增加每个 reduce 去 map 中拿数据的并行数

5. 集群性能可以的前提下，增大 reduce 端存储数据内存的大小。

4)IO 传输

1. 采用数据压缩的方式，减少网络 IO 的的时间。安装 Snappy 和 LZOP 压缩编码器。
2. 使用 SequenceFile 二进制文件

5)整体

1. MapTask 默认内存大小为 1G，可以增加 MapTask 内存大小为 4-5g
2. ReduceTask 默认内存大小为 1G，可以增加 ReduceTask 内存大小为 4-5g
3. 可以增加 MapTask 的 cpu 核数，增加 ReduceTask 的 cpu 核数
4. 增加每个 container 的 cpu 核数和内存大小
5. 调整每个 Map Task 和 Reduce Task 最大重试次数