Hadoop生产调优手册
HDFS
—核心参数
1.1 NameNode
内存生产配置
1
）
NameNode
内存计算
每个文件块大概占用
150byte
，一台服务器
128G
内存为例，能存储多少文件块呢？
128 * 1024 * 1024 * 1024 / 150Byte
≈
9.1
亿
G MB
KB Byte
2
）
Hadoop2.x
系列，配置
NameNode
内存
NameNode
内存默认
2000m
，如果服务器内存
4G
，
NameNode
内存可以配置
3g
。在
hadoop-env.sh
文件中配置如下。
HADOOP_NAMENODE_OPTS=-Xmx3072m
3
）
Hadoop3.x
系列，配置
NameNode
内存
（
1
）
hadoop-env.sh
中描述
Hadoop
的内存是动态分配的
（2）查看
NameNode
占用内存
（3）查看
DataNode
占用内存
查看发现
hadoop102
上的
NameNode
和
DataNode
占用内存都是自动分配的，且相等。
不是很合理。
经验参考：
具体修改：
hadoop-env.sh
export HDFS_NAMENODE_OPTS="-Dhadoop.security.logger=INFO,RFAS
-
Xmx1024m"
export HDFS_DATANODE_OPTS="-Dhadoop.security.logger=ERROR,RFAS
-Xmx1024m"
1.2 NameNode
心跳并发配置
1
）
hdfs-site.xml
数）为
3
台时，此参数设置为
21
。
计算并发连接数
开启回收站配置
开启回收站功能，可以将删除的文件在不超时的情况下，恢复原数据，起到防止误删除、
备份等作用。
1
）回收站工作机制
2）开启回收站功能参数说明
（
1
）默认值
fs.trash.interval = 0
，
0
表示禁用回收站；其他值表示设置文件的存活时间。
（2）默认值
fs.trash.checkpoint.interval = 0
，检查回收站的间隔时间。如果该值为
0
，则该
值设置和
fs.trash.interval
的参数值相等。（有时间差，检查的时间文件还存在）
（3）要求
fs.trash.checkpoint.interval <= fs.trash.interval
。
3
）启用回收站
修改
core-site.xml
，配置垃圾回收时间为
1
分钟。
4
）查看回收站
回收站目录在
HDFS
集群中的路径：
/user/atguigu/.Trash/….
5
）注意：通过网页上直接删除的文件也不会走回收站。
6
）通过程序删除的文件不会经过回收站，需要调用
moveToTrash()
才进入回收站
Trash trash = New Trash(conf);
trash.moveToTrash(path);
7
）只有在命令行利用
hadoop fs -rm
命令删除的文件才会走回收站。
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs
-rm
-r
/user/atguigu/input
2021-07-14 16:13:42,643 INFO fs.TrashPolicyDefault: Moved:
'hdfs://hadoop102:9820/user/atguigu/input' to trash at:
hdfs://hadoop102:9820/user/atguigu/.Trash/Current/user/atguigu
/input
8
）恢复回收站数据
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -mv
/user/atguigu/.Trash/Current/user/atguigu/input
/user/atguigu/input
HDFS
—集群压测
在企业中非常关心每天从
Java
后台拉取过来的数据，需要多久能上传到集群？消费者
关心多久能从
HDFS
上拉取需要的数据？
为了搞清楚
HDFS
的读写性能，生产环境上非常需要对集群进行压测。
HDFS
的读写性能主要受
网络和磁盘
影响比较大。为了方便测试，将
hadoop102
、
hadoop103
、
hadoop104
虚拟机网络都设置为
100mbps
。
100Mbps 单位是 bit；10M/s 单位是 byte ; 1byte=8bit，100Mbps/8=12.5M/s。
测试网速：来到
hadoop102
的
/opt/module
目录，创建一个
[atguigu@hadoop102 software]$ python -m SimpleHTTPServer
测试
HDFS
写性能
0）写测试底层原理
两个汇总方式，一个是每个节点写速度相加（分量/分时间），另外一种（总量/总时间）
1）测试内容：向 HDFS 集群写 10 个 128M 的文件
注意：
nrFiles n
为生成
mapTask
的数量，生产环境一般可通过
hadoop103:8088
查看
CPU
核数，设置为（
CPU
核数
- 1
）
参数解释
➢
Number of files
：生成
mapTask
数量，一般是集群中（
CPU
核数
-1
），我们测试虚
拟机就按照实际的物理内存
-1
分配即可
➢
Total MBytes processed
：单个
map
处理的文件大小
➢
Throughput mb/sec:
单个
mapTak
的吞吐量
计算方式：处理的总文件大小
/
每一个
mapTask
写数据的时间累加
集群整体吞吐量：生成
mapTask
数量
*
单个
mapTak
的吞吐量
➢
Average IO rate mb/sec::
平均
mapTak
的吞吐量
计算方式：每个
mapTask
处理文件大小
/
每一个
mapTask
写数据的时间
全部相加除以
task
数量
➢
IO rate std deviation:
方差、反映各个
mapTask
处理的差值，越小越均衡
（上图测试写结果为1.6mb/s单个maptask）
（
1
）可以在
yarn-site.xml
中设置虚拟内存检测为
false
（
2
）分发配置并重启
Yarn
集群
（yarn的资源检测中会计算虚拟内存，实际的使用，会超过所分配的资源，被yarn停掉）
3
）测试结果分析
（
1
）由于副本
1
就在本地，所以该副本不参与测试
一共参与测试的文件：
10
个文件
* 2
个副本
= 20
个（）
压测后的速度：
1.61
实测速度：
1.61M/s * 20
个文件
≈ 32M/s
三台服务器的带宽：
12.5 + 12.5 + 12.5 ≈ 30m/s（100mb带宽/8bety=12.5mb/b,一台机器的上传速度）
所有网络资源都已经用满。
如果实测速度远远小于网络，并且实测速度不能满足工作需求，可以考虑采用固态硬盘
或者增加磁盘个数。
（2）如果客户端不在集群节点，那就三个副本都参与计算
测试
HDFS
读性能
1
）测试内容：读取
HDFS
集群
10
个
128M
的文件
[atguigu@hadoop102 mapreduce]$ hadoop jar /opt/module/hadoop-
3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client
jobclient-3.1.3-tests.jar TestDFSIO
-read -nrFiles 10 -fileSize
128MB
2021-02-09 11:34:15,847 INFO fs.TestDFSIO: ----- TestDFSIO ----- : read
2021-02-09 11:34:15,847 INFO fs.TestDFSIO: Date & time: Tue Feb
09 11:34:15 CST 2021
2021-02-09 11:34:15,847 INFO fs.TestDFSIO: Number of files: 10
2021-02-09 11:34:15,847 INFO fs.TestDFSIO: Total MBytes processed: 1280
2021-02-09 11:34:15,848 INFO fs.TestDFSIO: Throughput mb/sec:
200.28
2021-02-09 11:34:15,848 INFO fs.TestDFSIO: Average IO rate mb/sec:
266.74
2021-02-09 11:34:15,848 INFO fs.TestDFSIO: IO rate std deviation: 143.12
2021-02-09 11:34:15,848 INFO fs.TestDFSIO: Test exec time sec: 20.83
2
）删除测试生成数据
[atguigu@hadoop102 mapreduce]$ hadoop jar /opt/module/hadoop-
3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client
jobclient-3.1.3-tests.jar TestDFSIO -clean
3
）测试结果分析：为什么读取文件速度大于网络带宽？由于目前只有三台服务器，且有三
个副本，数据读取就近原则，相当于都是读取的本地磁盘数据，没有走网络。
HDFS
—多目录（企业使用方案为HA，联邦）
NameNode
多目录配置
1
）
NameNode
的本地目录可以配置成多个，
且每个目录存放内容相同
，增加了可靠性
2
）具体配置如下
（
1
）在
hdfs-site.xml
文件中添加如下内容
注意：因为每台服务器节点的磁盘情况不同，所以这个配置配完之后，可以选择不分发
（2）停止集群，删除三台节点的
data
和
logs
中所有数据。
（3）格式化集群并启动。
3）查看结果
检查 name1 和 name2 里面的内容，发现一模一样。
DataNode
多目录配置
1
）
DataNode
可以配置成多个目录，
每个目录存储的数据不一样
（数据不是副本）
2
）具体配置如下
在
hdfs-site.xml
文件中添加如下内容
3）查看结果
4）向集群上传一个文件，再次观察两个文件夹里面的内容发现不一致（一个有数一个没有）
集群数据均衡之磁盘间数据均衡
生产环境，由于硬盘空间不足，往往需要增加一块硬盘。刚加载的硬盘没有数据时，可
以执行磁盘数据均衡命令。（
Hadoop3.x
新特性）
（
1
）生成均衡计划
（
我们只有一块磁盘，不会生成计划
）
hdfs diskbalancer -plan hadoop103
（2）执行均衡计划
hdfs diskbalancer -execute hadoop103.plan.json
（3）查看当前均衡任务的执行情况
hdfs diskbalancer -query hadoop103
（4）取消均衡任务
hdfs diskbalancer -cancel hadoop103.plan.json
HDFS
—集群扩容及缩容
添加白名单
白名单：表示在白名单的主机
IP
地址可以，用来存储数据。
企业中：配置白名单，可以尽量防止黑客恶意访问攻击。
配置白名单步骤如下：
1
）在
NameNode
节点的
/opt/module/hadoop-3.1.3/etc/hadoop
目录下分别创建
whitelist
和
blacklist
文件
（
1
）创建白名单
[atguigu@hadoop102 hadoop]$ vim whitelist
在
whitelist
中添加如下主机名称，假如集群正常工作的节点为
102 103
hadoop102
hadoop103
（2）创建黑名单
[atguigu@hadoop102 hadoop]$ touch blacklist
保持空的就可以
2
）在
hdfs-site.xml
配置文件中增加
dfs.hosts
配置参数
3
）分发配置文件
whitelist
，
hdfs-site.xml
[atguigu@hadoop104 hadoop]$ xsync hdfs-site.xml whitelist
4
）第一次添加白名单必须重启集群，不是第一次，只需要刷新
NameNode
节点即可
[atguigu@hadoop102 hadoop-3.1.3]$
myhadoop.sh stop
[atguigu@hadoop102 hadoop-3.1.3]$
myhadoop.sh start
5
）在
web
浏览器上查看
DN
，
http://hadoop102:9870/dfshealth.html#tab-datanode
6）在 hadoop104 上执行上传数据数据失败
[atguigu@hadoop104 hadoop-3.1.3]$ hadoop fs -put NOTICE.txt /
7
）二次修改白名单，增加
hadoop104
[atguigu@hadoop102 hadoop]$ vim whitelist
修改为如下内容
hadoop102
hadoop103
hadoop104
8
）刷新
NameNode
[atguigu@hadoop102 hadoop-3.1.3]$
hdfs dfsadmin -refreshNodes
Refresh nodes successful
9
）在
web
浏览器上查看
DN
，
http://hadoop102:9870/dfshealth.html#tab-datanode
服役新服务器
1
）需求
随着公司业务的增长，数据量越来越大，原有的数据节点的容量已经不能满足存储数据
的需求，需要在原有集群基础上动态添加新的数据节点。
2
）环境准备
（
1
）在
hadoop100
主机上再克隆一台
hadoop105
主机
（2）修改
IP
地址和主机名称
（3）
拷贝
hadoop102
的
/opt/module
目录和
/etc/profile.d/my_env.sh
到
hadoop105
（4）删除 hadoop105 上 Hadoop 的历史数据，data 和 log 数据
[atguigu@hadoop105 hadoop-3.1.3]$ rm -rf data/ logs/
（5）配置
hadoop102
和
hadoop103
到
hadoop105
的
ssh
无密登录
[atguigu@
hadoop102
.ssh]$ ssh-copy-id hadoop105
[atguigu@
hadoop103
.ssh]$ ssh-copy-id hadoop105
3
）服役新节点具体步骤
（
1
）直接启动
DataNode
，即可关联到集群
4）在白名单中增加新服役的服务器
（
1
）在白名单
whitelist
中增加
hadoop104
、
hadoop105
，并重启集群
[atguigu@hadoop102 hadoop]$ vim whitelist
修改为如下内容
hadoop102
hadoop103
hadoop104
hadoop105
（2）分发
[atguigu@hadoop102 hadoop]$ xsync whitelist
（3）刷新
NameNode
[atguigu@hadoop102 hadoop-3.1.3]$
hdfs dfsadmin -refreshNodes
Refresh nodes successful
5
）在
hadoop105
上上传文件
[atguigu@hadoop105 hadoop-3.1.3]$ hadoop
fs
-put
/opt/module/hadoop-3.1.3/LICENSE.txt /
服务器间数据均衡
1
）企业经验：
在企业开发中，如果经常在
hadoop102
和
hadoop104
上提交任务，且副本数为
2
，由于
数据本地性原则，就会导致
hadoop102
和
hadoop104
数据过多，
hadoop103
存储的数据量小。
另一种情况，就是新服役的服务器数据量比较少，需要执行集群均衡命令
2）开启数据均衡命令：
[atguigu@hadoop105 hadoop-3.1.3]$ sbin/start-balancer.sh -
threshold 10
对于参数
10
，代表的是集群中各个节点的磁盘空间利用率相差不超过
10%
，可根据实
际情况进行调整。
3
）停止数据均衡命令：
[atguigu@hadoop105 hadoop-3.1.3]$ sbin/stop-balancer.sh
注意：由于
HDFS
需要启动单独的
Rebalance Server
来执行
Rebalance
操作，所以尽量
不要在
NameNode
上执行
start-balancer.sh
，而是找一台比较空闲的机器。
4.4
黑名单退役服务器
黑名单：表示在黑名单的主机
IP
地址不可以，用来存储数据。
企业中：配置黑名单，用来退役服务器。
黑名单配置步骤如下：
1
）编辑
/opt/module/hadoop-3.1.3/etc/hadoop
目录下的
blacklist
文件
[atguigu@hadoop102 hadoop] vim blacklist
添加如下主机名称（要退役的节点）
hadoop105
注意：如果白名单中没有配置，需要在
hdfs-site.xml
配置文件中增加
dfs.hosts
配置参数
2
）分发配置文件
blacklist
，
hdfs-site.xml
[atguigu@hadoop104 hadoop]$ xsync hdfs-site.xml blacklist
3
）第一次添加黑名单必须重启集群，不是第一次，只需要刷新
NameNode
节点即可
[atguigu@hadoop102 hadoop-3.1.3]$
hdfs dfsadmin -refreshNodes
Refresh nodes successful
4
）检查
Web
浏览器，退役节点的状态为
decommission in progress
（退役中），说明数据
节点正在复制块到其他节点
5
）等待退役节点状态为
decommissioned
（所有块已经复制完成），停止该节点及节点资源
管理器。注意：如果副本数是
3
，服役的节点小于等于
3
，是不能退役成功的，需要修改
副本数后才能退役
6）如果数据不均衡，可以用命令实现集群的再平衡
[atguigu@hadoop102 hadoop-3.1.3]$ sbin/start-balancer.sh -
threshold 10