1. JobTracker
暫無容錯機制，掛掉之後，需要人工介入，重啓。
用戶可以通過配置一些參數，以便JobTracker重啓後，讓所有作業恢復運行。用戶配置若干參數後，JobTracker重啓前，會在history log中記錄各個作業的運行狀態，這樣在JobTracker關閉後，系統中所有數據目錄（包括各種臨時目錄）均會被保留，待JobTracker重啓之後，JobTracker自動重新提交這些作業，並只對未運行完成的task進行重新調度，這樣可避免已經計算完的task重新計算。具體配置方法可參考：http://www.cnblogs.com/MGGOON/archive/2012/02/23/2365055.html
有人提出，TaskTracker重啓後，它上面的作業也可以自動恢復，具體參考：
https://issues.apache.org/jira/browse/MAPREDUCE-2171
2. TaskTracker
（1）彙報心跳
mapred.tasktracker.expiry.interval，默認值是10min
當TaskTracker超過mapred.tasktracker.expiry.interval時間間隔沒有向JobTracker彙報心跳，則JobTracker視之爲死亡，並將之從調度池中剔除。
（2）Exclude nodes
用戶可以在mapred.hosts.exclude或者mapred.hosts中指定一個文件，該文件一行是一個tasktracker host，表示這些節點不允許接入集羣，也就是不會被分配task。該文件在Hadoop-0.21.0版本中可以動態加載。
（3）黑名單（blacklist）
health-check script腳本判斷該節點是健康，不健康，直接加入黑名單。
具體參考： http://hadoop.apache.org/common/docs/current/cluster_setup.html 中的“Configuring the Node Health Check Script”一節。
（4）灰名單（graylist）
採用了啓發式算法發現的有問題的節點，加入灰名單。
mapred.jobtracker.blacklist.fault-timeout-window：默認是3小時，時間窗口，計算該時間內失敗的task個數
如果滿足以下條件，則將tasktracker加入灰名單：
mapred.max.tracker.blacklists：默認是4，bad tasktracker閾值，當一個tasktracker在時間窗口內失敗個數超過該閾值，則認爲該tasktracker是bad tasktracker
mapred.cluster.average.blacklist.threshold，默認是0.5，如果一個bad tasktracker失敗的task個數超過了所有tasktracker平均值的mapred.cluster.average.blacklist.threshold倍，則加入灰名單，不僅會自動加入黑名單。
重新啓動該TaskTracker，就能夠將它從黑名單和灰名單中刪除。
3. Job
mapred.max.tracker.failures：一個作業在某個tasktracker上失敗的task個數超過該值，則該tasktracker被加到該job的blacklist中，從此不再往該tasktracker分配該job的task.
4. Task
mapred.map.max.attempts：每個map task最大嘗試次數
mapred.reduce.max.attempts：每個reduce task最大嘗試次數
5. Record
mapred.skip.map.max.skip.records：跳過壞記錄條數（數據格式不對，空紀錄等）。當遇到壞記錄時，Hadoop嘗試跳過的最多記錄條數。
6. 磁盤
用戶可以配在mapred.local.dir參數配置多個磁盤目錄，將map task中間結果分不到不同磁盤上，增強容錯性。Map task臨時結果將被輪詢寫到這些目錄中，以避免某個磁盤目錄數據過多。（輪詢的方式仍然可能導致某個磁盤目錄數據過多，最好的策略是每次選擇數據最少的磁盤目錄寫入，採用小頂堆）。
用戶日誌userlogs可被分佈不到不同磁盤目錄中，減少單個磁盤日誌寫入壓力。
具體參考：https://issues.apache.org/jira/browse/MAPREDUCE-2657
轉載自董的博客
本文鏈接地址: http://dongxicheng.org/mapreduce/hadoop-mapreduce-failure-tolerance/