【Hadoop学习】补充：优化、新特性

一、数据压缩

1、概述

原则：IO密集而不是计算密集的job

压缩算法选择

2、压缩位置选择

通过参数进行配置

3、压缩实例：

数据流的压缩和解压缩

Map输出端采用压缩

Reduce输出端采用压缩

二、企业优化

1、概述

从六个方面考虑：数据输入、Map阶段、Reduce阶段、IO传输、数据倾斜问题和常用的调优参数

数据输入：合并小文件、Combine格式输入

Map阶段：减少溢写及合并次数

Reduce阶段：合理设置Map、Reduce（规避使用），二者需要共存，合理设置reduce的buffer

IO传输：数据压缩、使用sequence二进制文件

数据倾斜问题（大小倾斜/频率倾斜）：抽样、自定义分区、combine

调优参数：资源相关参数（mapred-default.xml）、yarn相关的参数（yarn-default.xml）、容错相关参数

2、小文件优化

三、Hadoop新特性

1、集群间数据拷贝（scp、distcp递归复制）

2、小文件存档

启动yarn，使用命令bin/hadoop archive归档和解归档

3、回收站

core-site.xml中配置fs.trash.interval

路径/user/atguigu/.Trash/….

清空回收站：hadoop fs -expunge

4、多NN的HA和纠删码

运行多个备用NameNode

四、HA高可用

1、概述

HA（High Availablity）

双NameNode消除单点故障

故障转移机制

2、集群配置

ZK集群、HDFS集群、YARN集群、

3、HDFS Federation

单个NameNode的HDFS架构，因此整个HDFS文件系统的吞吐量受限于单个NameNode的吞吐量，受到Namespace（命名空间）的限制