Hadoop配置文件详解（core-site.xml、hdfs-site.xm、mapred-site.xml、yarn-site.xml）
目录
Hadoop可配置参数详解
<1> core-site.xml
<2> hdfs-site.xml
<3>mapred-site.xml
<4>yarn-site.xml
参考
Hadoop可配置参数详解
| 配置文件名 |
配置对象 |
主要内容 |
| core-site.xml |
集群全局参数 |
用于定义系统级别的参数，如HDFS URL、Hadoop的临时目录等 |
| hdfs-site.xml |
HDFS参数 |
如名称节点和数据节点的存放位置、文件 副本的个数、文件读取权限等 |
| mapred-site.xml |
Mapreduce参数 |
包括JobHistory Server和应用程序参数两部分，如reduce任务的默认个数、任务所能够使用内存的默认上下限等 |
| yarn-site.xml |
集群资源管理系统参数 |
配置 ResourceManager，NodeManager 的通信端口，web监控端口等 |
<1> core-site.xml
| name |
value |
Description |
| fs.default.name |
hdfs://master:9000 |
定义master的URI和端口 |
| fs.checkpoint.dir |
${hadoop.tmp.dir}(默认) |
SNN的元数据以,号隔开,hdfs会把元数据冗余复制到这些目录，一般这些目录是不同的块设备，不存在的目录会被忽略掉 |
| fs.checkpoint.period |
1800 |
定义ND的备份间隔时间，秒为单位，只对SNN效，默认一小时 |
| fs.checkpoint.size |
33554432 |
以日志大小间隔做备份间隔，只对SNN生效，默认64M |
| fs.checkpoint.edits.dir |
${fs.checkpoint.dir}(默认) |
SNN的事务文件存储的目录,以,号隔开,hdfs会把事务文件冗余复制到这些目录 |
| fs.trash.interval |
10800 |
HDFS垃圾箱设置，可以恢复误删除，分钟数，0为禁用，添加该项无需重启hadoop |
| hadoop.tmp.dir |
/tmp/Hadoop |
临时文件夹，指定后需将使用到的所有子级文件夹都要手动创建出来，否则无法正常启动服务。 |
| hadoop.http.filter.initializers |
org.apache.hadoop.security. |
需要jobtracker,tasktracker |
| hadoop.http.authentication.type |
simple | kerberos | #AUTHENTICATION_HANDLER_CLASSNAME# |
验证方式，默认为简单，也可自己定义class,需配置所有节点 |
| hadoop.http.authentication.token.validity |
36000 |
验证令牌的有效时间,需配置所有节点 |
| hadoop.http.authentication.signature.secret |
默认可不写参数 |
默认不写在hadoop启动时自动生成私密签名,需配置所有节点 |
| hadoop.http.authentication.cookie.domain |
domian.tld |
http验证所使用的cookie的域名，IP地址访问则该项无效，必须给所有节点都配置域名才可以。 |
| hadoop.http.authentication. simple.anonymous.allowed |
true | false |
简单验证专用，默认允许匿名访问，true |
| hadoop.http.authentication.kerberos.principal |
HTTP/localhost@$LOCALHOST |
Kerberos验证专用，参加认证的实体机必须使用HTTP作为K的Name |
| hadoop.http.authentication.kerberos.keytab |
/home/xianglei/hadoop.keytab |
Kerberos验证专用，密钥文件存放位置 |
| hadoop.security.authorization |
true|false |
Hadoop服务层级验证安全验证，需配合hadoop-policy.xml使用，配置好以后用dfsadmin,mradmin -refreshServiceAcl刷新生效 |
| hadoop.security.authentication |
simple | kerberos |
hadoop本身的权限验证，非http访问，simple或者kerberos |
| hadoop.logfile.size |
1000000000 |
设置日志文件大小，超过则滚动新日志 |
| hadoop.logfile.count |
20 |
最大日志数 |
| io.bytes.per.checksum |
1024 |
每校验码所校验的字节数，不要大于io.file.buffer.size |
| io.skip.checksum.errors |
true | false |
处理序列化文件时跳过校验码错误，不抛异常。默认false |
| io.serializations |
org.apache.hadoop.io.serializer.WritableSerialization |
序列化的编解码器 |
| io.seqfile.compress.blocksize |
1024000 |
块压缩的序列化文件的最小块大小，字节 |
| io.compression.codecs |
org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.SnappyCodec |
Hadoop所使用的编解码器，gzip、bzip2为自带，lzo需安装hadoopgpl或者kevinweil，逗号分隔。 |
| io.compression.codec.lzo.class |
com.hadoop.compression.lzo.LzoCodec |
LZO所使用的压缩编码器 |
| io.file.buffer.size |
131072 |
用作序列化文件处理时读写buffer的大小 |
| webinterface.private.actions |
true | false |
设为true，则JT和NN的tracker网页会出现杀任务删文件等操作连接，默认是false |
| topology.script.file.name |
/hadoop/bin/RackAware.py |
机架感知脚本位置 |
| topology.script.number.args |
1000 |
机架感知脚本管理的主机数，IP地址 |
<2> hdfs-site.xml
| name |
value |
Description |
| dfs.default.chunk.view.size |
32768 |
namenode的http访问页面中针对每个文件的内容显示大小，通常无需设置。 |
| dfs.datanode.du.reserved |
1073741824 |
每块磁盘所保留的空间大小，需要设置一些，主要是给非hdfs文件使用，默认是不保留，0字节 |
| dfs.name.dir |
/opt/data1/hdfs/name, |
NN所使用的元数据保存，一般建议在nfs上保留一份，作为1.0的HA方案使用，也可以在一台服务器的多块硬盘上使用 |
| dfs.web.ugi |
nobody,nobody |
NN,JT等所使用的web tracker页面服务器所使用的用户和组 |
| dfs.permissions |
true | false |
dfs权限是否打开，我一般设置false，通过开发工具培训别人界面操作避免误操作，设置为true有时候会遇到数据因为权限访问不了。 |
| dfs.permissions.supergroup |
supergroup |
设置hdfs超级权限的组，默认是supergroup，启动hadoop所使用的用户通常是superuser。 |
| dfs.data.dir |
/opt/data1/hdfs/data, |
真正的datanode数据保存路径，可以写多块硬盘，逗号分隔 |
| dfs.datanode.data.dir.perm |
755 |
datanode所使用的本地文件夹的路径权限，默认755 |
| dfs.replication |
3 |
hdfs数据块的复制份数，默认3，理论上份数越多跑数速度越快，但是需要的存储空间也更多。有钱人可以调5或者6 |
| dfs.replication.max |
512 |
有时dn临时故障恢复后会导致数据超过默认备份数。复制份数的最多数，通常没什么用，不用写配置文件里。 |
| dfs.replication.min |
1 |
最小份数，作用同上。 |
| dfs.block.size |
134217728 |
每个文件块的大小，我们用128M，默认是64M。这个计算需要128*1024^2，我碰上过有人直接写128000000，十分浪漫。 |
| dfs.df.interval |
60000 |
磁盘用量统计自动刷新时间，单位是毫秒。 |
| dfs.client.block.write.retries |
3 |
数据块写入的最多重试次数，在此次数之前不会捕获失败。 |
| dfs.heartbeat.interval |
3 |
DN的心跳检测时间间隔。秒 |
| dfs.namenode.handler.count |
10 |
NN启动后展开的线程数。 |
| dfs.balance.bandwidthPerSec |
1048576 |
做balance时所使用的每秒最大带宽，使用字节作为单位，而不是bit |
| dfs.hosts |
/opt/hadoop/conf/hosts.allow |
一个主机名列表文件，这里的主机是允许连接NN的，必须写绝对路径，文件内容为空则认为全都可以。 |
| dfs.hosts.exclude |
/opt/hadoop/conf/hosts.deny |
基本原理同上，只不过这里放的是禁止访问NN的主机名称列表。这在从集群中摘除DN会比较有用。 |
| dfs.max.objects |
0 |
dfs最大并发对象数，HDFS中的文件，目录块都会被认为是一个对象。0表示不限制 |
| dfs.replication.interval |
3 |
NN计算复制块的内部间隔时间，通常不需写入配置文件。默认就好 |
| dfs.support.append |
true | false |
新的hadoop支持了文件的APPEND操作，这个就是控制是否允许文件APPEND的，但是默认是false，理由是追加还有bug。 |
| dfs.datanode.failed.volumes.tolerated |
0 |
能够导致DN挂掉的坏硬盘最大数，默认0就是只要有1个硬盘坏了，DN就会shutdown。 |
| dfs.secondary.http.address |
0.0.0.0:50090 |
SNN的tracker页面监听地址和端口 |
| dfs.datanode.address |
0.0.0.0:50010 |
DN的服务监听端口，端口为0的话会随机监听端口，通过心跳通知NN |
| dfs.datanode.http.address |
0.0.0.0:50075 |
DN的tracker页面监听地址和端口 |
| dfs.datanode.ipc.address |
0.0.0.0:50020 |
DN的IPC监听端口，写0的话监听在随机端口通过心跳传输给NN |
| dfs.datanode.handler.count |
3 |
DN启动的服务线程数 |
| dfs.http.address |
0.0.0.0:50070 |
NN的tracker页面监听地址和端口 |
| dfs.https.enable |
true | false |
NN的tracker是否监听在HTTPS协议，默认false |
| dfs.datanode.https.address |
0.0.0.0:50475 |
DN的HTTPS的tracker页面监听地址和端口 |
| dfs.https.address |
0.0.0.0:50470 |
NN的HTTPS的tracker页面监听地址和端口 |
| dfs.datanode.max.xcievers |
2048 |
相当于linux下的打开文件最大数量，文档中无此参数，当出现DataXceiver报错的时候，需要调大。默认256 |
<3>mapred-site.xml
| name |
value |
Description |
| hadoop.job.history.location |
|
job历史文件保存路径，无可配置参数，也不用写在配置文件里，默认在logs的history文件夹下。 |
| hadoop.job.history.user.location |
|
用户历史文件存放位置 |
| io.sort.factor |
30 |
这里处理流合并时的文件排序数，我理解为排序时打开的文件数 |
| io.sort.mb |
600 |
排序所使用的内存数量，单位兆，默认1，我记得是不能超过mapred.child.java.opt设置，否则会OOM |
| mapred.job.tracker |
hadoopmaster:9001 |
连接jobtrack服务器的配置项，默认不写是local，map数1，reduce数1 |
| mapred.job.tracker.http.address |
0.0.0.0:50030 |
jobtracker的tracker页面服务监听地址 |
| mapred.job.tracker.handler.count |
15 |
jobtracker服务的线程数 |
| mapred.task.tracker.report.address |
127.0.0.1:0 |
tasktracker监听的服务器，无需配置，且官方不建议自行修改 |
| mapred.local.dir |
/data1/hdfs/mapred/local, |
mapred做本地计算所使用的文件夹，可以配置多块硬盘，逗号分隔 |
| mapred.system.dir |
/data1/hdfs/mapred/system, |
mapred存放控制文件所使用的文件夹，可配置多块硬盘，逗号分隔。 |
| mapred.temp.dir |
/data1/hdfs/mapred/temp, |
mapred共享的临时文件夹路径，解释同上。 |
| mapred.local.dir.minspacestart |
1073741824 |
本地运算文件夹剩余空间低于该值则不在本地做计算。字节配置，默认0 |
| mapred.local.dir.minspacekill |
1073741824 |
本地计算文件夹剩余空间低于该值则不再申请新的任务，字节数，默认0 |
| mapred.tasktracker.expiry.interval |
60000 |
TT在这个时间内没有发送心跳，则认为TT已经挂了。单位毫秒 |
| mapred.map.tasks |
2 |
默认每个job所使用的map数，意思是假设设置dfs块大小为64M，需要排序一个60M的文件，也会开启2个map线程，当jobtracker设置为本地是不起作用。 |
| mapred.reduce.tasks |
1 |
解释同上 |
| mapred.jobtracker.restart.recover |
true | false |
重启时开启任务恢复，默认false |
| mapred.jobtracker.taskScheduler |
org.apache.hadoop.mapred. |
重要的东西，开启任务管理器，不设置的话，hadoop默认是FIFO调度器，其他可以使用公平和计算能力调度器 |
| mapred.reduce.parallel.copies |
10 |
reduce在shuffle阶段使用的并行复制数，默认5 |
| mapred.child.java.opts |
-Xmx2048m -Djava.library.path= |
每个TT子进程所使用的虚拟机内存大小 |
| tasktracker.http.threads |
50 |
TT用来跟踪task任务的http server的线程数 |
| mapred.task.tracker.http.address |
0.0.0.0:50060 |
TT默认监听的httpIP和端口，默认可以不写。端口写0则随机使用。 |
| mapred.output.compress |
true | false |
任务结果采用压缩输出，默认false，建议false |
| mapred.output.compression.codec |
org.apache.hadoop.io. |
输出结果所使用的编解码器，也可以用gz或者bzip2或者lzo或者snappy等 |
| mapred.compress.map.output |
true | false |
map输出结果在进行网络交换前是否以压缩格式输出，默认false，建议true，可以减小带宽占用，代价是会慢一些。 |
| mapred.map.output.compression.codec |
com.hadoop.compression. |
map阶段压缩输出所使用的编解码器 |
| map.sort.class |
org.apache.hadoop.util. |
map输出排序所使用的算法，默认快排。 |
| mapred.hosts |
conf/mhost.allow |
允许连接JT的TT服务器列表，空值全部允许 |
| mapred.hosts.exclude |
conf/mhost.deny |
禁止连接JT的TT列表，节点摘除是很有作用。 |
| mapred.queue.names |
ETL,rush,default |
配合调度器使用的队列名列表，逗号分隔 |
| mapred.tasktracker.map. |
12 |
每服务器允许启动的最大map槽位数。 |
| mapred.tasktracker.reduce. |
6 |
每服务器允许启动的最大reduce槽位数 |
<4>yarn-site.xml
hadoop 的yarn-site.xml文件中涉及到的其他配置项按照组件可以分成两类，其中之一是对 ResourceManager 的配置，主要配置项有：
- yarn.resourcemanager.address：该配置项用于提示 ResourceManager 暴露给 Client 的地址。Client 可以利用这个地址向 ResourceManager 提交应用程序，也可以用来杀死某个应用程序等。其默认端口是 8032 ，而 URL 是 ResourceManager 的 hostname ，在本课程中是 localhost （对于后面的相关设置项也是一样）。
- yarn.resourcemanager.scheduler.address：该配置项用于提示 ResourceManager 暴露给 ApplicationMaster 的访问地址。后者可以通过该地址从 ResourceManager 处申请和释放资源，默认端口是 8030 。
- yarn.resourcemanager.resource-tracker.address：该配置项用于提示 ResourceManager 暴露给 NodeManager 的地址。后者可以通过该地址向 ResourceManager 发送心跳，也可以拉取到待执行的任务，默认端口是8031。
- yarn.resourcemanager.admin.address： ResourceManager 暴露给管理员的访问地址，后者可以通过该地址向 ResourceManager 发送用于管理目的的各项命令，其默认端口是 8033 。
- yarn.resourcemanager.webapp.address：ResourceManager 对外暴露的 WebUI 地址，我们稍后就会在浏览器中通过访问该地址来查看集群的各类信息，其默认端口是 8088 。
- yarn.resourcemanager.scheduler.class：待启用的 ResourceManager 调度器的主类名称。该选项用于配置调度器的类型，可以在 FIFO、CapacityScheduler 以及 FairScheduler 等调度器名称中进行选择。
- yarn.resourcemanager.resource-tracker.client.thread-count：该选项用于配置 Handler 的线程数量。Handler 可以处理来自 NodeManager 的 RPC 请求，默认情况下有 50 个 Handler 线程。
- yarn.resourcemanager.scheduler.client.thread-count：与上一选项类似，但这个 Handler 用于处理来自 ApplicationMaster 的 RPC 请求。
- yarn.scheduler.minimum-allocation-mb：用于配置单个调度器可申请的最小的内存资源数量，即运行 MapReduce 作业的时候，每个 Task 最少可以申请到的内存容量，默认是 1024MB 。同样的参数还有 yarn.scheduler.maximum-allocation-mb，指的是最大的内存资源数量，默认情况下最多可申请 3072MB 。
- yarn.scheduler.minimum-allocation-vcores：单个调度器可以申请到的最小虚拟 CPU 核数（vCPU）。例如默认值 1 表示 MapRedce 作业中的每个 Task 最少可以申请到 1 个虚拟 CPU 。同样的参数还有 yarn.scheduler.maximum-allocation-vcores，默认情况下最多可以申请 32 个虚拟 CPU 。
- yarn.resourcemanager.nodes.exclude-path：该选项用于指示 NodeManager 的黑名单。具体而言，若发现某些 NodeManager 存在故障率或者任务执行失败率非常高的问题，就可以通过该参数将其之加到黑名单中。类似的参数还有 yarn.resourcemanager.nodes.include-path，作用是相反的，即白名单。
- yarn.resourcemanager.nodemanagers.heartbeat-interval-ms：该参数用于配置 NodeManager 的心跳间隔时间，默认值是 1000 毫秒。
另一类是对 NodeManager 的配置，除了刚刚提到的 aux-services ，其他的主要配置项有：
- yarn.nodemanager.resource.memory-mb：NodeManager 的可用物理内存总量，需要注意这个参数一旦被设置，在 YARN 的整个运行过程中不允许被动态修改。其默认值是 8192MB ，即便实际可用物理内存不足这个数量，YARN 也会使用该值进行工作。
- yarn.nodemanager.vmem-pmem-ratio：该配置项用于设置一个比例，即每使用 1MB 的物理内存最多可以用多大的虚拟内存，默认情况下该比例为 2.1 。
- yarn.nodemanager.resource.cpu-vcores：NodeManager 的可用虚拟 CPU 总数，默认值是 8 个。
- yarn.nodemanager.local-dirs：NodeManager 的中间结果存放目录路径，允许配置多个目录。 默认值：${hadoop.tmp.dir}/nm-local-dir
- yarn.nodemanager.log-dirs：NodeManager 的日志存放目录路径，该配置项允许配置多个目录。
- yarn.nodemanager.log.retain-seconds：NodeManager 的日志的最长存放时间，默认情况下是 10800 秒，即 3 个小时。
参考
core-site.xm:https://blog.csdn.net/iteye_3893/article/details/82617400
官网：http://hadoop.apache.org/docs/r2.6.1/hadoop-project-dist/hadoop-common/core-default.xml
hdfs-site.xml:https://blog.csdn.net/iteye_3893/article/details/82617401
官网：http://hadoop.apache.org/docs/r2.6.1/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml
mapred-site.xml:https://blog.csdn.net/gyxinguan/article/details/73996570
官网：http://hadoop.apache.org/docs/r2.6.1/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml
yarn-site.xml:http://blog.sina.com.cn/s/blog_9b85a32d0102ysor.html
官网：http://hadoop.apache.org/docs/r2.6.1/hadoop-yarn/hadoop-yarn-common/yarn-default.xml