HDFS小文件影响：
- 文件元数据存储在Namenode内存中，大量的小文件就有大量的文件元数据
- 影响计算引擎的任务数量，每个小文件生成一个Map任务
1. 数据输入小文件处理:
- 合并小文件，对小文件进行Har归档；自定义Inputformat将小文件存储成SequenceFile文件
- 采用ConbinFileInputFormat来作为输入，解决输入端大量小文件场景
-对于大量的小文件任务，开启JVM重用；将 mapred.job.reuse.jvm.num.tasks 设置成大于1的数，
归属同一job的顺序执行的task可以共享一个JVM
2. Map阶段:
- 增大环形缓冲区大小，默认100M，根据实际情况扩大
- 增大环形缓冲区溢写比例，默认为80%，根据实际情况扩大
- 减少对溢写文件的合并（merge）次数
- 不影响实际业务的前提下，采用 Combiner提前合并，减少IO，（求平均值这种情况不能用，即不影响业务）
- MapTask 增大内存大小、CPU核数
3. Reduce阶段:
- 合理设置Map和Reduce个数
- 设置Map、Reduce共存，调整 slowstart.completedmaps 参数，使Map运行后，Reduce开始运行，减少Reduce等待时间
- 尽量少使用Reduce，因为Reduce连接数据集时回产生大量的网络消耗
- 增加每个Reduce去Map中拿数据的并行数
- 适当增大Reduce端的存储数据内存大小
- 增加ReduceTask的内存大小、CPU核数
4. IO :
- 采用数据压缩的方式，减少网络IO的时间 （snappy & LZOP 安装）
- 使用SequenceFile二进制文件