接触Hadoop有两年的时间了，期间遇到很多的问题，既有经典的NameNode和JobTracker内存溢出故障，也有HDFS存储小文件问题，既有任务调度问题，也有MapReduce性能问题。遇到的这些问题有些是Hadoop自身的缺陷（短板），有些则是使用的不当。
在解决问题的过程中，有时需要翻源码，有时会向同事、网友请教，遇到复杂问题则会通过maillist向全球各地Hadoop使用者，包括HadoopCommitter（Hadoop开发者）求助。在获得很多人帮助后，自己将遇到问题和心得整理成文，希望本文可以对那些焦头烂额的Hadoop新手们有所帮助，少走笔者的弯路。
本文基于ClouderaCDH3u4（同ApacheHadoop1.0）编写。相关推荐配置为官方推荐值或者笔者经验数值，它不是绝对的，可能会因为不同的应用场景和硬件环境有所出入。。
1.选择ClouderaCDH部署你的Cluster
动机
大多数管理员都是从ApacheHadoop开始学习。笔者最开始也使用Apache版本Hadoop进行开发和部署工作，但接触到ClouderaCDH后，我发现它可以使管理员的工作更简单，不仅可以获得最新的特性和Bug修复，有时也会带来令人惊喜的性能改善。
CDH为什么更好？笔者罗列了以下几点：
CDH基于稳定版ApacheHadoop，并应用了最新Bug修复或者Feature的Patch。Cloudera常年坚持季度发行Update版本，年度发行Release版本，更新速度比Apache官方快，而且在实际使用过程中CDH表现无比稳定，并没有引入新的问题。
Cloudera官方网站上安装、升级文档详细，省去Google时间。
CDH支持Yum/Apt包，Tar包，RPM包，ClouderaManager四种方式安装，总有一款适合您。官方网站推荐Yum/Apt方式安装，笔者体会其好处如下：
联网安装、升级，非常方便。当然你也可以下载rpm包到本地，使用LocalYum方式安装。
自动下载依赖软件包，比如要安装Hive，则会级联下载、安装Hadoop。
Hadoop生态系统包自动匹配，不需要你寻找与当前Hadoop匹配的Hbase，Flume，Hive等软件，Yum/Apt会根据当前安装Hadoop版本自动寻找匹配版本的软件包，并保证兼容性。
自动创建相关目录并软链到合适的地方（如conf和logs等目录）；自动创建hdfs,mapred用户，hdfs用户是HDFS的最高权限用户，mapred用户则负责mapreduce执行过程中相关目录的权限。
推荐指数：★★★
推荐理由：获取最新特性和最新Bug修复；安装维护方便，节省运维时间。
2.Hadoop集群配置与管理
安装和维护Hadoop集群涉及大量的管理工作，包括软件安装，设备管理（crontab、iptables等）、配置分发等。
对于小型集群软件分发和节点管理可以使用PDSH这款软件，它可以通过免密钥的SSH将文件分发到目标服务器，以及为一组目标设备发送命令并获得反馈。如果是大型集群或者硬件配置差别很大的集群，推荐使用puppet这样的工具帮助你维护配置文件，或者通过ClouderaManager以GUI的方式的管理集群（注意：CloderaManager不是开源软件，免费版最多支持50个节点）。
推荐指数：★★★
推荐理由：提高运维效率
3.开启SecondaryNameNode
SecondaryNameNode（下称SNN）的主要功能是工作是帮助NameNode（下称NN）合并编辑日志，然后将合并后的镜像文件copy回NN，以减少NN重启时合并编辑日志所需的时间。SNN不是NN的热备，但是通过以下步骤可以实现将SNN切换为NN的目的。首先，SNN节点上导入从NNCopy过来的镜像文件，然后修改SNN机器名和IP与NN一致，最后重启集群。
特别注意的是SNN的内存配置要与NN一致，因为合并编辑日志的工作需要将metadata加载到内存完成。另外，不仅仅是SNN，任何保存NN镜像的节点都可以通过上面步骤变为NN，只是SNN更适合罢了。
推荐指数：★★★
推荐理由：减少NN重启导致集群服务中断时间；NN节点故障后，SNN充当NN角色
4.使用Ganglia和Nagios监控你的集群
当运行一个大型mapreduce作业时，我们通常非常关心该作业对TaskTracker（下称TT）CPU、内存、磁盘，以及整个网络的带宽情况，这时候就需要Ganglia这个工具为我们生成相关图表来诊断、分析问题。
Ganglia可以监控集群状态，但当你的服务器down机或者某个TT挂掉，它却无法通知到你，这时我们可以使用Nagios这款告警软件，它可以配置邮件告警和短息告警。通过编写plugins，可以实现自己的监控功能。我们的集群目前做了如下监控：
NameNode、JobTracker内存 DataNode和TaskTracker运行状态 NFS服务状态 磁盘使用情况 服务器负载状态
推荐指数：★★★
推荐理由：Ganglia可以帮你记录集群状态，方便诊断问题；Nagios可以再遇到问题时第一时间通知你。
5.设置好内存至关重要
Hadoop集群安装完毕后，第一件事就是修改bin/hadoop-evn.sh文件设置内存。主流节点内存配置为32GB，典型场景内存设置如下
NN:15-25GB JT：2-4GB DN：1-4GB TT：1-2GB，ChildVM1-2GB
集群的使用场景不同相关设置也有不同，如果集群有大量小文件，则要求NN内存至少要20GB，DN内存至少2GB。
推荐指数：★★★★★
推荐理由：几个组件中NN对内存最为敏感，它有单点问题，直接影响到集群的可用性；JT同样是单点，如果JT内存溢出则所有MapReduceJob都无法正常执行。
6.管理员玩转MapReduce
Hadoop原生MapReduce需要Java语言编写，但是不会Java也没问题，通过Hadoopstreaming框架管理员可以使用Python，Shell，Perl等语言进行MapReduce开发，但更简单的办法是安装和使用Hive或者Pig。
推荐指数：★★★
推荐理由：减少运维时间，快速响应各种ad-hot需求和故障诊断。
7.NameNodeHA
前面已经说过，NN是整个集群可能出现的单点故障。
Hadoop通过在hdfs.site.xml文件的dfs.name.dir属性指定保持的metadata路径，如果希望保持到多个路径，可以使用逗号分割配置多个路径。
propertynamedfs.name.dir/namevalue/data/cache1/dfs/nn,/data/cache2/dfs/nn/value/property
Hadoop官方推荐配置为metadata配置多个path，其中包含一个NFS的路径。但根据笔者一次集群严重故障经验，即使这样，还是导致了所有镜像文件损坏，包括SNN上的镜像文件，所以定期备份一个可用的副本还是很有必要的。
推荐指数：★★★★★
推荐理由：Cloudera3uX和Apache1.0的NN单点问题是大家最头痛问题之一，多些准备，少许痛苦。
8.使用firewall阻止坏人进入
Hadoop安全控制非常简单，只包含简单的权限，即只根据客户端用户名，决定使用权限。它的设计原则是：“避免好人做错事，但不阻止坏人做坏事”。
如果你知道某台NN的IP和端口，则可以很轻松获取HDFS目录结构，并通过修改本机机器用户名伪装成HDFS文件所属owner，对该文件进行删除操作。
通过配置kerberos，可以实现身份验证。但很多管理员使用更简单有效的办法——通过防火墙对访问IP进行控制。
推荐指数：★★★★★
推荐理由：安全无小事，防范于未然。
9.开启垃圾箱(trash)功能
动机
我曾经犯下一个错误，在我加班非常累，大脑稍有混乱的时候，不小心删除执行了一个命令“hadoopfs-rmr/xxx/xxx”，没有删除提示，几TB的数据，一下子就没有了。简直让我崩溃，后悔莫及。这时你多希望有个时间机器可以让HDFS恢复到删除前的状态。
trash功能就是这个时间机器，它默认是关闭的，开启后，被你删除的数据将会mv到操作用户目录的”.Trash”文件夹，可以配置超过多长时间，系统自动删除过期数据。这样一来，当操作失误的时候，可以把数据mv回来。开启垃圾箱步骤如下：
vicore-site.xml，添加下面配置，value单位为分钟。
propertynamefs.trash.interval/namevalue/value/property
笔者在CDH3u4下不用重启Namenode就可以生效。开启垃圾箱后，如果希望文件直接被删除，可以在使用删除命令时添加“–skipTrash”参数，如下：
hadoopfs–rm–skipTrash/xxxx
推荐指数：★★★★★
推荐理由：想要时间机器吗？
10.去社区寻找帮助
Hadoop是一个非常优秀的开源项目，但它仍存有很多尚未解决的问题，诸如，NN,JT单点问题，JT挂死问题，Block在小文件下汇报效率低下等问题。此时可以通过如下渠道找到可以帮助你的人，笔者几次集群严重故障都是通过Cloudera公司的googleusergroup直接获得几位 Apachehadoop的maillist:
ClouderaCDHgooglegroup:
推荐指数：★★★★★
推荐理由：没有人比软件作者更熟悉Hadoop本身，去社区求助，帮你解决很多自己无法跨越的问题。