1.1 hadoop配置
hadoop配置文件在安装包的etc/hadoop目录下，但是为了方便升级，配置不被覆盖一般放在其他地方，并用环境变量HADOOP_CONF_DIR指定目录。
1.1.1 配置管理
集群中每个节点都维护一套配置文件，并由管理员完成文件的同步工作。集群管理工具Cloudera Manage和Apache Ambari可以在集群间传递修改信息。所有机器采用同一套配置文件，简单，但是如果机器的配置不同时，同一套配置文件不适合。Chef、Puppet、CFEngine和Bcfg2工具可以为每一台集群单独维护配置文件。尽量用工具，不用脚本，因为脚本无法感知异常状态。
1.1.2 环境设置
（1）mapred-env.sh和yarn-env.sh文件中配置的变量值会覆盖hadoop-env.sh文件中的变量。hadoop-env.sh文件的内容如下：
|
配置选项 |
说明 |
|
export JAVA_HOME=${JAVA_HOME} |
JAVA_HOME环境变量配置jdk路径 |
|
#export JSVC_HOME=${JSVC_HOME} |
配置jsvc路径，jsvc是一些库和应用程序，让java程序在linux环境下能更简单的运行，提供root权限的授权操作，需要运行安全节点，指定授权端口和授权协议。如果SASL（Simple Authentication and Security Layer）默认不用授权，可以不设置。 |
|
export HADOOP_CONF_DIR=${HADOOP_CONF_DIR:-"/etc/hadoop"} |
配置文件路径，默认HADOOP_CONF_DIR 没有值时，会赋予默认值/etc/hadoop。一般把hadoop包中的文件复制到别处，设置为复制到的路径，避免hadoop升级覆盖配置文件。 |
|
#export HADOOP_HEAPSIZE= |
# 内存堆大小单位 MB. 默认 1000M.yarn-env.sh文件中YARN_RESOURCEMANAGER_HEAPSIZE,会覆盖资源管理器的堆大小。-Xmx2000m表示分配2000MB的内存。 |
|
#export HADOOP_NAMENODE_INIT_HEAPSIZE="" |
Namenode初始化堆大小，默认1000M |
|
# export HADOOP_JAAS_DEBUG |
设置JAAS（Java Authentication Authorization Service，Java验证和授权API）绑定、开启Kerberos 安全认证， |
|
export HADOOP_OPTS="$HADOOP_OPTS -Djava.net.preferIPv4Stack=true" |
使用ip4，禁用ip6 |
|
export HADOOP_NAMENODE_OPTS="-Dhadoop.security.logger=${HADOOP_SECURITY_LOGGER:-INFO,RFAS} -Dhdfs.audit.logger=${HDFS_AUDIT_LOGGER:-INFO,NullAppender} $HADOOP_NAMENODE_OPTS" |
Namenode的日志参数设置 |
|
export HADOOP_DATANODE_OPTS="-Dhadoop.security.logger=ERROR,RFAS $HADOOP_DATANODE_OPTS" |
Datanode的日志参数设置 |
|
export HADOOP_SECONDARYNAMENODE_OPTS="-Dhadoop.security.logger=${HADOOP_SECURITY_LOGGER:-INFO,RFAS} -Dhdfs.audit.logger=${HDFS_AUDIT_LOGGER:-INFO,NullAppender} $HADOOP_SECONDARYNAMENODE_OPTS" |
第二namenode的日志参数配置 |
|
export HADOOP_NFS3_OPTS="$HADOOP_NFS3_OPTS" |
|
|
export HADOOP_NFS3_OPTS="$HADOOP_NFS3_OPTS" |
NFS（Network File System）网络文件系统设置 |
|
export HADOOP_PORTMAP_OPTS="-Xmx512m $HADOOP_PORTMAP_OPTS" |
这个是在HDFS格式化时需要的JVM配置，也就是执行hdfs namenode -format时的JVM配置 |
|
export HADOOP_PID_DIR=${HADOOP_PID_DIR} |
Pid文件保存的路径，默认是./tmp |
|
export HADOOP_IDENT_STRING=$USER |
一个指向hadoop. $USER用户名的字符串 |
|
export HADOOP_SECURE_DN_USER=${HADOOP_SECURE_DN_USER} |
如果使用授权端口，这个必须配置，提供数据转换协议的授权。如果使用SASL授权方式，则不能设置，注释掉。 |
|
export HADOOP_LOG_DIR=${HADOOP_LOG_DIR}/$USER |
设置系统日志的路径 |
（2）namenode会在内存中维护所有文件的数据块的引用，会占用很大的内存；数据块的个数=（集群节点数*节点磁盘空间）/（数据块大小*每个数据块的备份数），200个节点的集群，每个节点24TB，数据块大小为128MB，复本数量是3，则数据引用的个数=（200*24*1024*1024）/(128*3)=13107200个数据引用，这些引用需要占用多大内存，可以通过hadoop-env.sh的HADOOP_NAMENODE_OPTS来设置。
（3）系统日志路径通过export HADOOP_LOG_DIR= ${HADOOP_LOG_DIR}/$USER来设置，分为.log日志和.out标准输出和错误日志。
1.1.3 hadoop守护进程的关键属性
守护进程的配置信息可以访问该进程的web服务器conf界面http://resource-manager-host:8088/conf表示资源管理器当前的配置。
（1） HDFS
运行HDFS需要指定一台机器作为namecode的地址，core-site.xml文件中属性fs.defaultFS配置文件系统的uri，ip和端口号。例如hdfs://localhost:9000。
coree-site.xml配置文件
<configuration>
<property>
<name>hadoop.tmp.dir</name>
<value>/D:/hadoop/hadoop-2.8.3/tmp</value>
<description>Abase for other temporary directories.</description>
</property>
<property>
<name>fs.defaultFS</name>
<value>hdfs://localhost:9000</value>
</property>
</configuration>
hdfs-site.xml配置文件
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
<property>
<name>dfs.namenode.name.dir</name>
<value>/D:/hadoop/hadoop-2.8.3/namenode</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>/D:/hadoop/hadoop-2.8.3/datanode</value>
</property>
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>
</configuration>
（2） yarn属性设置
yarn-site.xml用于配置资源管理器的属性，需要设置运行资源的管理器的主机名、地址。
yarn.nodemanager.local-dirs属性用来指定mapreduce函数的中间数据的输出路径，包括map输出，可能输出非常大，目录空间要足够大。为了提高磁盘IO操作的效率，设置多个磁盘上的目录。
shuffle服务是将map任务的输出发送给reduce任务。需要将yarn-site.xml文件中属性yarn.nodemanager.aux-services设置mapreduce_shuffle来显示启用mapreduce的shuffle句柄。
（3） yarn和mapreduce中的内存设置
节点管理从内存池分配内存，节点管理器的内存要用于运行节点管理器守护进程和datanode守护进程各需要1000M内存和操作系统内存，剩下的内存则分配给节点上作业的内存（yarn.nodemanager.resource.memory-mb设置分配给容器的总内存，默认8092）。可以通过设置任务容器（mapreduce.map.memory.mb和mapreduce.reduce.memory.mb）的内存使用量和java进程的堆大小(mapred.child.java.opts, mapreduce.map.java.opts, mapreduce.reduce.java.opts)来控制作业的内存。mapreduce.map.memory.mb默认是1024M，节点管理器会分配1024M的容器，JVM会占用容器的200M内存（-Xmx200m配置的是最大JVM进程堆内存），如果容器中内存使用量超过1024，则任务会被终止。yarn.nodemanager.vmem-pmem-ratio（默认2.1）表示虚拟内存与物理内存的比例。容器的物理内存是1024，则最多使用的虚拟内存是1024*2.1=21150.4M。虚拟内存的使用量超过这个值，也会终止任务。
还可以通任务的内存计数器来统计内存使用量PHYSICAL_MEMORY_BYTES,VIRTUAL__MEMORY_BYTES和COMMITED_HEAP_BYTES。
（4） YARN和mapreduce的CPU设置
yarn.nodemanager.resource.cpuvcores设置分配给容器的核数量（不包括nodemanager和datanode守护进程的核数）。mapreduce.map.cpu.vcores和mapreduce.reduce.cpu.vcores分别设置map和reduce任务的核数量，默认1。
（5） 内存和CPU配置实例
现在有个32核。120G内存的机器。要怎么配置内存和CPU呢？
nodemanage和datanode守护进程各占一个核，守护进程内存各一个G。操作系统占用2核，内存占18G。剩下的28核和100G内存用于任务容器。
yarn.nodemanager.resource.mem.mb=102400
yarn.nodemanager.resource.cpuvcores=28
单个容器任务最小内存分配和最大内存分配属性设置为512M和4096M，最小内存值可以计算一个节点最大Container数量。
yarn.scheduler.minimum-allocation-mb=512
yarn.scheduler.maximum-allocation-mb=4096
然后给每个map任务和reduce任务设置内存上限和cpu分配，内存范围要在容器的内存范围内（512~4096）
mapreduce.map.cpu.vcores=1
mapreduce.reduce.cpu.vcores=2
mapreduce.map.memory.mb=1024
mapreduce.reduce.memory.mb=2048
然后在map和reduce任务中的JVM进程设置内存，JVM内存要小于map和reduce的任务内存mapred.child.java.opts总的设置，也可以用mapreduce.map.java.opts和mapreduce.reduce.java.opts分别设置。
mapred.child.java.opts=512
mapreduce.map.java.opts=512
mapreduce.reduce.java.opts=512
1.1.4 hadoop守护进程的地址和端口
hadoop守护进程一般有两个服务器，RPC服务器支持进程间通信。HTTP服务器则提供与用户的交互的web页面。
（1）RPC服务器设置
（2）HTTP服务器地址设置
地址配置决定了服务器绑定的地址，同时客户端和集群中的其他机器可以通过这个地址链接服务器通讯。将yarn.resourcemananger.hostname设置为主机名或IP地址，yarn.resourcemanager.bind-host设置为0.0.0.0，这样既能节点管理器和客户端端可以通过hostname去解析地址，确定位置，又可以确保资源管理器能够与机器上的所有地址绑定。
datanode运行TCP/IP服务器支持块传输，由属性dfs.datanode.adress设置；默认0.0.0.0:50010。
1.1.5 hadoop的其他属性设置
（1） 集群成员
为了方便添加和移除节点，dfs.hosts属性记录作为datanode加入集群的机器列表。属性yarn.resourcemanager.nodes.include-path记录作为节点管理器加入集的机器列表。dfs.hosts.exclude和yarn.resourcemanager.nodes.exclude-path指向解除的机器列表。
（2） IO缓冲区
core-site.xml中io.file.buffer.size属性来设置缓冲区大小，128kb常用。
（3） 块大小
hdfs-site.xml中dfs.blocksize设置HDFS的块大小，默认128M。
（4） 保留存储空间
计划将部分空间留给非HDFS，设置dfs.datanode.du.reserved设置保留空间。
（5） 回收站
core-site.xml中的fs.trash.interval设置回收站是否有效。默认0无效。trash类删除时会返回false。回收站有效时，shell命令删除的文件才会放入回收站（home目录下的.Trash目录），程序删除的文件直接删除，除非用trash类删除也会放入回收站。HDFS会自动删除超过时限的文件文件，其他文件系统不能，需要执行手动执行hadoop fs –expunge 命令来删除超过最小时限的文件。Trash.expunge()也具备这样的的功能。
（6） 慢启动reduce
调度器会一直等待直到map完成5%，才会调度reduce任务，可以将mapreduce.job.reduce.slowstart.completemaps的值设置为0.8，map完成80%才调度reduce任务。
（7） 短回路本地读
客户端和datanode在同一个几几节点上，则绕过TCP网路通讯，直接从磁盘中读取数据。dfs.client.read.shortcircuit设置为true。
自己开发了一个股票智能分析软件，功能很强大，需要的点击下面的链接获取：