MapReduce过程shuffer的优化

1）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。（10个文件，一次20个merge）
        （4）不影响实际业务的前提下，采用Combiner提前合并，减少 I/O。

2）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。 

3）IO传输
        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。
        压缩：
        （1）map输入端主要考虑数据量大小和切片，支持切片的有Bzip2、LZO。注意：LZO要想支持切片必须创建索引；
        （2）map输出端主要考虑速度，速度快的snappy、LZO；
        （3）reduce输出端主要看具体需求，例如作为下一个mr输入需要考虑切片，永久保存考虑压缩率比较大的gzip。

4）整体
        （1）NodeManager默认内存8G，需要根据服务器实际配置灵活调整，例如128G内存，配置为100G内存左右，yarn.nodemanager.resource.memory-mb。
        （2）单任务默认内存8G，需要根据该任务的数据量灵活调整，例如128m数据，配置1G内存，yarn.scheduler.maximum-allocation-mb。
        （3）mapreduce.map.memory.mb ：控制分配给MapTask内存上限，如果超过会kill掉进程（报：Container is running beyond physical memory limits. Current usage:565MB of512MB physical memory used；Killing Container）。默认内存大小为1G，如果数据量是128m，正常不需要调整内存；如果数据量大于128m，可以增加MapTask内存，最大可以增加到4-5g。
        （4）mapreduce.reduce.memory.mb：控制分配给ReduceTask内存上限。默认内存大小为1G，如果数据量是128m，正常不需要调整内存；如果数据量大于128m，可以增加ReduceTask内存大小为4-5g。
        （5）mapreduce.map.java.opts：控制MapTask堆内存大小。（如果内存不够，报：java.lang.OutOfMemoryError）
        （6）mapreduce.reduce.java.opts：控制ReduceTask堆内存大小。（如果内存不够，报：java.lang.OutOfMemoryError）
        （7）可以增加MapTask的CPU核数，增加ReduceTask的CPU核数
        （8）增加每个Container的CPU核数和内存大小
        （9）在hdfs-site.xml文件中配置多目录（多磁盘）
        （10）NameNode有一个工作线程池，用来处理不同DataNode的并发心跳以及客户端并发的元数据操作。