1 Map side tuning參數
當map task開始運算，併產生中間數據時，其產生的中間結果並非直接就簡單的寫入磁盤。這中間的過程比較複雜，並且利用到了內存buffer來進行已經產生的部分結果的緩存，並在內存buffer中進行一些預排序來優化整個map的性能。如上圖所示，每一個map都會對應存在一個內存buffer（MapOutputBuffer，即上圖的buffer in memory），map會將已經產生的部分結果先寫入到該buffer中，這個buffer默認是100MB大小，但是這個大小是可以根據job提交時的參數設定來調整的，該參數即爲：io.sort.mb。當map的產生數據非常大時，並且把io.sort.mb調大，那麼map在整個計算過程中spill的次數就勢必會降低，map task對磁盤的操作就會變少，如果map tasks的瓶頸在磁盤上，這樣調整就會大大提高map的計算性能。map做sort和spill的內存結構如下如所示：
map在運行過程中，不停的向該buffer中寫入已有的計算結果，但是該buffer並不一定能將全部的map輸出緩存下來，當map輸出超出一定閾值（比如100M），那麼map就必須將該buffer中的數據寫入到磁盤中去，這個過程在mapreduce中叫做spill。map並不是要等到將該buffer全部寫滿時才進行spill，因爲如果全部寫滿了再去寫spill，勢必會造成map的計算部分等待buffer釋放空間的情況。所以，map其實是當buffer被寫滿到一定程度（比如80%）時，就開始進行spill。這個閾值也是由一個job的配置參數來控制，即io.sort.spill.percent，默認爲0.80或80%。這個參數同樣也是影響spill頻繁程度，進而影響map task運行週期對磁盤的讀寫頻率的。但非特殊情況下，通常不需要人爲的調整。調整io.sort.mb對用戶來說更加方便。
當map task的計算部分全部完成後，如果map有輸出，就會生成一個或者多個spill文件，這些文件就是map的輸出結果。map在正常退出之前，需要將這些spill合併（merge）成一個，所以map在結束之前還有一個merge的過程。merge的過程中，有一個參數可以調整這個過程的行爲，該參數爲：io.sort.factor。該參數默認爲10。它表示當merge spill文件時，最多能有多少並行的stream向merge文件中寫入。比如如果map產生的數據非常的大，產生的spill文件大於10，而io.sort.factor使用的是默認的10，那麼當map計算完成做merge時，就沒有辦法一次將所有的spill文件merge成一個，而是會分多次，每次最多10個stream。這也就是說，當map的中間結果非常大，調大io.sort.factor，有利於減少merge次數，進而減少map對磁盤的讀寫頻率，有可能達到優化作業的目的。
當job指定了combiner的時候，我們都知道map介紹後會在map端根據combiner定義的函數將map結果進行合併。運行combiner函數的時機有可能會是merge完成之前，或者之後，這個時機可以由一個參數控制，即min.num.spill.for.combine（default 3），當job中設定了combiner，並且spill數最少有3個的時候，那麼combiner函數就會在merge產生結果文件之前運行。通過這樣的方式，就可以在spill非常多需要merge，並且很多數據需要做conbine的時候，減少寫入到磁盤文件的數據數量，同樣是爲了減少對磁盤的讀寫頻率，有可能達到優化作業的目的。
減少中間結果讀寫進出磁盤的方法不止這些，還有就是壓縮。也就是說map的中間，無論是spill的時候，還是最後merge產生的結果文件，都是可以壓縮的。壓縮的好處在於，通過壓縮減少寫入讀出磁盤的數據量。對中間結果非常大，磁盤速度成爲map執行瓶頸的job，尤其有用。控制map中間結果是否使用壓縮的參數爲：mapred.compress.map.output(true/false)。將這個參數設置爲true時，那麼map在寫中間結果時，就會將數據壓縮後再寫入磁盤，讀結果時也會採用先解壓後讀取數據。這樣做的後果就是：寫入磁盤的中間結果數據量會變少，但是cpu會消耗一些用來壓縮和解壓。所以這種方式通常適合job中間結果非常大，瓶頸不在cpu，而是在磁盤的讀寫的情況。說的直白一些就是用cpu換IO。根據觀察，通常大部分的作業cpu都不是瓶頸，除非運算邏輯異常複雜。所以對中間結果採用壓縮通常來說是有收益的。以下是一個wordcount中間結果採用壓縮和不採用壓縮產生的map中間結果本地磁盤讀寫的數據量對比：
map中間結果不壓縮：
map中間結果壓縮：
可以看出，同樣的job，同樣的數據，在採用壓縮的情況下，map中間結果能縮小將近10倍，如果map的瓶頸在磁盤，那麼job的性能提升將會非常可觀。
當採用map中間結果壓縮的情況下，用戶還可以選擇壓縮時採用哪種壓縮格式進行壓縮，現在hadoop支持的壓縮格式有：GzipCodec，LzoCodec，BZip2Codec，LzmaCodec等壓縮格式。通常來說，想要達到比較平衡的cpu和磁盤壓縮比，LzoCodec比較適合。但也要取決於job的具體情況。用戶若想要自行選擇中間結果的壓縮算法，可以設置配置參數：mapred.map.output.compression.codec=org.apache.hadoop.io.compress.DefaultCodec或者其他用戶自行選擇的壓縮方式。
選項 | 類型 | 默認值 | 描述 |
io.sort.mb | int | 100 | 緩存map中間結果的buffer大小(in MB) |
io.sort.record.percent | float | 0.05 | io.sort.mb中用來保存map output記錄邊界的百分比，其他緩存用來保存數據 |
io.sort.spill.percent | float | 0.80 | map開始做spill操作的閾值 |
io.sort.factor | int | 10 | 做merge操作時同時操作的stream數上限。 |
min.num.spill.for.combine | int | 3 | combiner函數運行的最小spill數 |
mapred.compress.map.output | boolean | false | map中間結果是否採用壓縮 |
mapred.map.output.compression.codec | class name | org.apache.hadoop.io. compress.DefaultCodec | map中間結果的壓縮格式 |
reduce的運行是分成三個階段的。分別爲copy->sort->reduce。由於job的每一個map都會根據reduce(n)數將數據分成map 輸出結果分成n個partition，所以map的中間結果中是有可能包含每一個reduce需要處理的部分數據的。所以，爲了優化reduce的執行時間，hadoop中是等job的第一個map結束後，所有的reduce就開始嘗試從完成的map中下載該reduce對應的partition部分數據。這個過程就是通常所說的shuffle，也就是copy過程。
Reduce task在做shuffle時，實際上就是從不同的已經完成的map上去下載屬於自己這個reduce的部分數據，由於map通常有許多個，所以對一個reduce來說，下載也可以是並行的從多個map下載，這個並行度是可以調整的，調整參數爲：mapred.reduce.parallel.copies（default 5）。默認情況下，每個只會有5個並行的下載線程在從map下數據，如果一個時間段內job完成的map有100個或者更多，那麼reduce也最多隻能同時下載5個map的數據，所以這個參數比較適合map很多並且完成的比較快的job的情況下調大，有利於reduce更快的獲取屬於自己部分的數據。
reduce的每一個下載線程在下載某個map數據的時候，有可能因爲那個map中間結果所在機器發生錯誤，或者中間結果的文件丟失，或者網絡瞬斷等等情況，這樣reduce的下載就有可能失敗，所以reduce的下載線程並不會無休止的等待下去，當一定時間後下載仍然失敗，那麼下載線程就會放棄這次下載，並在隨後嘗試從另外的地方下載（因爲這段時間map可能重跑）。所以reduce下載線程的這個最大的下載時間段是可以調整的，調整參數爲：mapred.reduce.copy.backoff（default 300秒）。如果集羣環境的網絡本身是瓶頸，那麼用戶可以通過調大這個參數來避免reduce下載線程被誤判爲失敗的情況。不過在網絡環境比較好的情況下，沒有必要調整。通常來說專業的集羣網絡不應該有太大問題，所以這個參數需要調整的情況不多。
Reduce將map結果下載到本地時，同樣也是需要進行merge的，所以io.sort.factor的配置選項同樣會影響reduce進行merge時的行爲，該參數的詳細介紹上文已經提到，當發現reduce在shuffle階段iowait非常的高的時候，就有可能通過調大這個參數來加大一次merge時的併發吞吐，優化reduce效率。
Reduce在shuffle階段對下載來的map數據，並不是立刻就寫入磁盤的，而是會先緩存在內存中，然後當使用內存達到一定量的時候才刷入磁盤。這個內存大小的控制就不像map一樣可以通過io.sort.mb來設定了，而是通過另外一個參數來設置：mapred.job.shuffle.input.buffer.percent（default 0.7），這個參數其實是一個百分比，意思是說，shuffile在reduce內存中的數據最多使用內存量爲：0.7 × maxHeap ofreduce task。也就是說，如果該reduce task的最大heap使用量（通常通過mapred.child.java.opts來設置，比如設置爲-Xmx1024m）的一定比例用來緩存數據。默認情況下，reduce會使用其heapsize的70%來在內存中緩存數據。如果reduce的heap由於業務原因調整的比較大，相應的緩存大小也會變大，這也是爲什麼reduce用來做緩存的參數是一個百分比，而不是一個固定的值了。
假設mapred.job.shuffle.input.buffer.percent爲0.7，reduce task的max heapsize爲1G，那麼用來做下載數據緩存的內存就爲大概700MB左右，這700M的內存，跟map端一樣，也不是要等到全部寫滿纔會往磁盤刷的，而是當這700M中被使用到了一定的限度（通常是一個百分比），就會開始往磁盤刷。這個限度閾值也是可以通過job參數來設定的，設定參數爲：mapred.job.shuffle.merge.percent（default 0.66）。如果下載速度很快，很容易就把內存緩存撐大，那麼調整一下這個參數有可能會對reduce的性能有所幫助。
當reduce將所有的map上對應自己partition的數據下載完成後，就會開始真正的reduce計算階段（中間有個sort階段通常時間非常短，幾秒鐘就完成了，因爲整個下載階段就已經是邊下載邊sort，然後邊merge的）。當reduce task真正進入reduce函數的計算階段的時候，有一個參數也是可以調整reduce的計算行爲。也就是：mapred.job.reduce.input.buffer.percent（default 0.0）。由於reduce計算時肯定也是需要消耗內存的，而在讀取reduce需要的數據時，同樣是需要內存作爲buffer，這個參數是控制，需要多少的內存百分比來作爲reduce讀已經sort好的數據的buffer百分比。默認情況下爲0，也就是說，默認情況下，reduce是全部從磁盤開始讀處理數據。如果這個參數大於0，那麼就會有一定量的數據被緩存在內存並輸送給reduce，當reduce計算邏輯消耗內存很小時，可以分一部分內存用來緩存數據，反正reduce的內存閒着也是閒着。
選項 | 類型 | 默認值 | 描述 |
mapred.reduce.parallel.copies | int | 5 | 每個reduce並行下載map結果的最大線程數 |
mapred.reduce.copy.backoff | int | 300 | reduce下載線程最大等待時間（in sec） |
io.sort.factor | int | 10 | 同上 |
mapred.job.shuffle.input.buffer.percent | float | 0.7 | 用來緩存shuffle數據的reduce task heap百分比 |
mapred.job.shuffle.merge.percent | float | 0.66 | 緩存的內存中多少百分比後開始做merge操作 |
mapred.job.reduce.input.buffer.percent | float | 0.0 | sort完成後reduce計算階段用來緩存數據的百分比 |