Hadoop优化（待续）

      近日在用hadoop测试些程序，但是，用的数据都是小数据，用hadoop处理起来相当慢，每个文件就只有几KB，而文件有几百个，这样，20MB的数据运行完就要40多分钟，而且即使是4台机器，运行完也要14分钟，这完全是浪费了hadoop，最后发现，每台电脑只有两个Map，这就让Map过很相当漫长。查了一些资料，发现暂时有两项现在我用得着

1、设置Map数：

      在conf文件夹中的mapred-site.xml文件里加入property：

      mapred.tasktracker.map.tasks.maximum

      格式如下：

<property>
    <name>mapred.tasktracker.map.tasks.maximum</name>
    <value>10</value>
</property>

      这里只设置了10个，看网上说的一般一个节点的map数是30到300个，大家可以根据具体情况自行设置。

      设置reduce数量只需要把mapred.tasktracker.map.tasks.maximum改为mapred.tasktracker.reduce.tasks.maximum

2、设置JVM重用

      默认是1，表示一个JVM上最多可以顺序执行的task数目（属于同一个Job）是1。也就是说一个task启一个JVM。

      显然，这样每次用一次就重启JVM很浪费时间，所以可以把这个的重用次数设置大一点，我这里设置成-1，表示无限适用，知道最后把程序跑完。

      和设置Map数差不多，同样是在mapred-site.xml中设置，如下：

<property>
    <name>mapred.job.reuse.jvm.num.tasks</name>
    <value>-1</value>
</property>

      重启hadoop。现在，即使是伪分布，运行刚才的程序只需要11分30秒。

      笔者将继续学习，找到更合理的办法。同时，可以把数据进行压缩过后在运行程序，但是笔者暂时还没搞懂这个方法怎么用。

参考网址：

http://blog.csdn.net/wangqiaoshi/article/details/18142885

http://jerrylead.iteye.com/blog/1195335

3、Java heap space的解决办法：

    这个表明java的虚拟的空间不够了。下面有两种方法可以解决:

    ①修改hadoop/bin文件夹中的hadoop文件：

    找到“export HADOOP_OPTS=”这一行，修改如下：

export HADOOP_OPTS="-Xmx4096m"//将jvm的空间设置为4GB，也可以设置成你想要的

    ②（建议使用此方法）也可以修改mapred-site.xml文件：

    加入如下内容：

<property>
    <name>mapred.child.java.opts</name>
    <value>-Xmx4096m</value>
</property>

    保存退出重启hadoop即可。

参见网址：

http://stackoverflow.com/questions/15609909/error-java-heap-space

 

4、修改HDFS的块的大小：

    默认是64MB，但是一般用128MB，而且有些特殊情况要把块改小一点。总之，很多情况，需要更改块的大小，方法如下：

    修改conf文件夹中hdfs-site.xml的内容，加入如下内容:

<property>
    <name>dfs.block.size</name>
    <value>自己想要的大小，单位是B</value>
</property>

    保存退出，格式化HDFS