Hadoop 资源+配备+性能
Hadoop 资源
淘宝Hadoop的技术分享
http://rdc.taobao.com/blog/dw/archives/category/hadoop
http://rdc.taobao.com/blog/dw/archives/244
Hadoop基本流程与应用开发
http://www.infoq.com/cn/articles/hadoop-process-develop
Hadoop性能调优
http://wiki.apache.org/hadoop/PerformanceTuning
HBase性能调优
http://wiki.apache.org/hadoop/Hbase/PerformanceEvaluation
hadoop中使用lzo压缩格式
http://code.google.com/p/hadoop-gpl-compression/wiki/FAQ
http://blog.csdn.net/workhardupc100/archive/2010/03/04/5345013.aspx
http://www.cloudera.com/blog/2009/11/hadoop-at-twitter-part-1-splittable-lzo-compression/
给MR加jar
hadoop jar hadoop-examples.jar wordcount -files cachefile.txt -libjars mylib.jar input output
Hadoop DFS Used是如何计算的？ （集群中所有dfs.data.dir目录相加）
bin/hadoop fs -du /
http://hadoop.hadoopor.com/redirect.php?tid=562&goto=lastpost
-----------------------------
Hadoop 集群参数配置
hadoop-0.20.2\docs\cluster_setup.html
MapReduce的同时 ，（DFS Used : 8.21 GB ）大小会增加，因为被使用。默认存放Job中间文件的路径是dfs.data.dir（/tmp目录，由Hadoop自动清理，或者手动hadoop fs -rmr /tmp ）
默认提交的Job，都会在后台执行，即使前台停止。
Kiss不要的Job
bin/hadoop job -kill job_201004141024_0002
配置每个Task对应的Map和Reduce数量
conf/mapred-site.xml
(The maximum number of Map/Reduce tasks, which are run simultaneously on a given TaskTracker, individually. )
mapred.tasktracker.map.tasks.maximum=2
mapred.tasktracker.reduce.tasks.maximum=2
默认为2，如果有3台hadoop机器，则同时最多6个Map在执行。
mapred.map.tasks (The default number of map tasks per job.)
配置MapReduce的大小
关于多少Map和Reduce的建议
Map的数目通常是由输入数据的大小决定的，一般就是所有输入文件的总块（block）数。
Reduce的数目建议是0.95或1.75乘以 (<no. of nodes> * mapred.tasktracker.reduce.tasks.maximum)。
用0.95，所有reduce可以在maps一完成时就立刻启动，开始传输map的输出结果。用1.75，速度快的节点可以在完成第一轮reduce任务后，可以开始第二轮，这样可以得到比较好的负载均衡的效果。
http://wiki.apache.org/hadoop/HowManyMapsAndReduces
-----------------------------
Hadoop + Hbase 性能
-----------------------------
Hadoop 性能测试
1千万条记录，3台机器,每台机器最多并行10个Map
/home/bmb/jdk1.6.0_16/bin/java -cp examples.zip examples.CreateLogFile test.log 10000000
1KW=350.74MB =5.46 Block
bin/hadoop fs -put test.log hadoop-performance-test
计算文件中，同一时间生成的行数
/home/iic/hadoop-0.20.2/bin/hadoop jar hadoop-examples.zip examples.HadoopMRTest hadoop-performance-test hadoop-performance-test-out 1
第一次启动，Hadoop自动分配 map6, reduce 1
1KW/39=25W/s
10/04/14 13:43:36
10/04/14 13:44:15
从Job的Complet Map中，可以看到，每台机器运行2个Map
查看结果
bin/hadoop fs -cat hadoop-performance-test-out/part-r-00000
1271222992947 349
验证：
grep 1271222992947 test.log |wc -l
删除目录，方便重新测试
bin/hadoop fs -rmr hadoop-performance-test-out
bin/hadoop fs -rmr hadoop-performance-test
1亿条记录==3.61GB=58 Block
/home/bmb/jdk1.6.0_16/bin/java -cp examples.zip examples.CreateLogFile test_10KW.log 100000000
bin/hadoop fs -put test_10KW.log hadoop-performance-test
/home/iic/hadoop-0.20.2/bin/hadoop jar hadoop-examples.zip examples.HadoopMRTest hadoop-performance-test hadoop-performance-test-out 6
指定reduce 6，Hadoop自动分配 map 58
10KW/197=50.76W/s
10/04/14 14:14:40
10/04/14 14:17:57
-----------------------------
此例子3台机器, replication=2 , 默认块大小64M，功能，把表mrtest的列content的值反转到列text里面
初始100W数据，执行Map Reduce，只有1个Map.
（重新清理Hadoop后，统计得：刚开始DFS Used : 100.03 KB ，创建完后DFS Used : 234.27 MB,Replication=2,
一次MR后，DFS Used : 345.88 MB ，同时HBase中表mrtest的内容被重新分布（原因是Hbase是Readonly，当执行Update操作，必然导致重新创建），DFS Used之所以增大，是因为Hadoop保存数据默认3个时间版本，所以一次MR后，多了一个版本的数据
重启Hadoop，DFS Used : 262.87 MB
第二次MR后，DFS Used : 537.04 MB ，重启Hadoop，DFS Used : 358.61 MB
第三次MR后，DFS Used : 431.89 MB ，重启Hadoop，DFS Used : 454.35 MB
）
/home/iic/hadoop-0.20.2/bin/hadoop jar examples.zip examples.TestTableMapReduce examples.TestTableMapReduce
时间执行 (100W / (8*60) ) = 2083个记录/每秒
10/04/13 14:08:33
10/04/13 14:16:25
cd /home/iic/hadoop-0.20.2/examples
./run_test.sh 生成900W的数据
/home/iic/bmb/jdk1.6.0_16/bin/java -cp .: com.test.hadoop.hbase.HBaseTest 1 10000000
同样环境，测试1000W数据
出现java.lang.ClassNotFoundException: org.apache.hadoop.hbase.mapreduce.TableOutputFormat
原因：新增的Hadoop机器：5.12类路径没有包含HBase，在conf/hadoop-env.sh中，加入类库引用
export HBASE_HOME=/home/iic/hbase-0.20.3
export HADOOP_CLASSPATH=$HBASE_HOME/hbase-0.20.3.jar:$HBASE_HOME/hbase-0.20.3-test.jar:$HBASE_HOME/conf:${HBASE_HOME}/lib/zookeeper-3.3.0.jar
1000W的数据，大小达到3个Block, 执行Map Reduce，这时Map数量为3，由于是对Hbase进行MapReduce，而HBase最多的Map值是通过以下计算（for the list of regions and makes a map-per-region or mapred.map.tasks maps, whichever is smaller ）。
时间执行 (1000W / (33*60) ) = 5050个记录/每秒
10/04/13 18:48:52
10/04/13 19:20:06
修改Map为6（实际Hadoop Job自动生成5）和Reduce的数量3
从5.11拷贝到2.79
cd /home/iic/hadoop-0.20.2
scp examples.zip iic@192.168.2.79:/home/iic/hadoop-0.20.2/
时间执行 (1000W / (21*60) ) = 7936个记录/每秒
10/04/13 19:43:55
10/04/13 20:04:17
修改map为9（Hadoop自动转成16,同时把/hbase/mrtest分成17个目录，17个Block），Reduce为9
（注：Hadoop会缓存mapred.map.tasks，除非出现新的参数）
mapred-site.xml
<property>
<name>mapred.map.tasks</name>
<value>9</value>
</property>
时间执行 (1000W / (18*60) ) = 9259个记录/每秒
10/04/14 09:27:36
10/04/14 09:45:55
按照上面的配置，再次执行一遍，Map变成17（Hadoop和Hbase会自动根据Block大小，增加Map数量）。
从日志看，Reduce会存在网络的Block复制，如果网速快，也会增加MR的速率
当Map为17的时候，每台机器的CPU从Map为3的20%增加到100%多。
但是执行到最后，2.79和5.11的Hbase，region server当掉。导致执行失败。
重启Hadoop和Hbase，再执行
Map自动变成18，Reduce 9
时间执行 (1000W / (18*60) ) = 9259个记录/每秒
10/04/14 10:27:39
10/04/14 10:45:48
每次执行后，Block数量一直在增加
虽然Map是18，但是由于只有3台机器，而且默认mapred.tasktracker.map.tasks.maximum=2，每个TaskTracker最多同时并行2个Map，所以18个Map不是全部并行执行。
最多同时6个Map。同理最多同时6个Task。
修改3台机器的参数mapred-site.xml，重启Hadoop
<property>
<name>mapred.tasktracker.map.tasks.maximum</name>
<value>10</value>
</property>
<property>
<name>mapred.tasktracker.reduce.tasks.maximum</name>
<value>10</value>
</property>
时间执行 (1000W / (15*60) ) = 11111个记录/每秒
10/04/14 11:36:49
10/04/14 11:51:56
测试的时候，2.79的region server 挂了，用以下命令重启
bin/hbase-daemon.sh start regionserver