转－》hadoop 性能因素

1. 通常每个服务器的Map + Reduce总数跟cpu核数大致一致，经验表现为略大于 cpu核数的设置可以发挥最大性能，比如8核配5个map, 5个reduce

2. Map数跟Reduce配置个数通常配置相同

3. Hadoop允许集群里的不同节点配置Map跟Reduce数不同，避免服务器开销不均 匀

4. HDFS block大小默认64M推荐128M

5. HDFS在并发写同一文件情况执行状况未知，可能存在写冲突问题

6. HDFS文件不允许修改，文件一旦建立(写入流关闭)后不能修改

7. 移动计算的代价比移动数据的代价低，通常Map在数据存放的节点服务器上运 行,当在其他服务器上运行是上运行时，该节点数据会拷贝到执行服务器上再进行运算

8. 在job的运行时，每个参与任务的Map处理的datanode节点对象是固定不变 的，Map处理dataNode的粒度可以到文件的行级，比如一个Map可以处理某个dataNode的 前10000行

9. 每个Reduce接受所有Map的结果并且只执行跟自己相关的key的Reduce

10. HDFS上跑的应用，主要是以流式读为主的应用，进行批量处理，比如log分析、 索引构建、数据关联等

11. Hadoop支持根据应用分配额定最大map及reduce个数功能

12. HDFS采用master/slave架构(nameNode,dateNode), NameNode是个单点中心服务 器, 管理文件系统及客户端的访问

13. HDFS默认文件副本3个，不同应用可以通过客户端API决定每个文件的副本数为任 意值

一些配置属性：
<property>
<name>mapred.min.split.size</name>
<value>268435456</value>
        <description>决定了每个 Input Split的最小值，也间接决定了一个Job的map 数目。
                          这里设置为256M，默认64M，有效减少了map的数量，因为在大数据量时，
                          map数量过大并不一定速度就快，而1个进程处理256M数据也是很快的</description>
</property>
<property>
<name>mapred.compress.map.output</name>
<value>true</value>
        <description>打开map输出压缩以节省各节点传输的流量</description>
</property>
<property>
<name>io.sort.mb</name>
<value>250</value>
        <description>map输出结果在内存占用buffer的大小，当buffer达到一定阈值，
                          会启动一个后台线程来对buffer的内容进行排序，然后写入本地磁盘(一个spill文件).默认100M，
                          有点小了，但并不是越大越好，尝试过调到400M，发现机器内存有点吃不消，又回调到250M</description>
</property>
<property>
<name>mapred.reduce.parallel.copies</name>
<value>10</value>
        <description>Reduce copy数据的线程数量，默认值是5</description>
</property>
<property>
<name>mapred.job.shuffle.merge.percent</name>
<value>0.8</value>
        <description>从Map节点取数据过来，放到内存，当达到这个阈值之后，
                          后台启动线程（通常是Linux native process）把内存中的数据merge sort，
                          写到reduce节点的本地磁盘；</description>
</property>