目前我這裡的伺服器情況：6臺slave，每臺：32G記憶體，2*6核CPU。

由於hadoop 1.x存在JobTracker和TaskTracker，資源管理有它們實現，在執行mapreduce作業時，資源分為map task和reduce task。

所有存在下面兩個引數分別設定每個TaskTracker可以執行的任務數：

<property>
        <name>mapred.tasktracker.map.tasks.maximum</name>
        <value>6</value>
        <description><![CDATA[CPU數量=伺服器CPU總核數 / 每個CPU的核數；伺服器CPU總核數 = more /proc/cpuinfo | grep 'processor' | wc -l；每個CPU的核數 = more /proc/cpui nfo | grep 'cpu cores']]></description>
</property>
<property>
        <name>mapred.tasktracker.reduce.tasks.maximum</name>
        <value>4</value>
        <description>一個task tracker最多可以同時執行的reduce任務數量</description>
</property>
 

但是在hadoop 2.x中，引入了Yarn架構做資源管理，在每個節點上面執行NodeManager負責節點資源的分配，而slot也不再像1.x那樣區分Map slot和Reduce slot。在Yarn上面Container是資源的分配的最小單元。

Yarn叢集的記憶體分配配置在yarn-site.xml檔案中配置：

<property>
        <name>yarn.nodemanager.resource.memory-mb</name>
        <value>22528</value>
        <discription>每個節點可用記憶體,單位MB</discription>
    </property>
    
    <property>
        <name>yarn.scheduler.minimum-allocation-mb</name>
        <value>1500</value>
        <discription>單個任務可申請最少記憶體，預設1024MB</discription>
    </property>
    
    <property>
        <name>yarn.scheduler.maximum-allocation-mb</name>
        <value>16384</value>
        <discription>單個任務可申請最大記憶體，預設8192MB</discription>
    </property>
 

由於我Yarn叢集還需要跑Spark的任務，而Spark的Worker記憶體相對需要大些，所以需要調大單個任務的最大記憶體（預設為8G）。

而Mapreduce的任務的記憶體配置：

<property>
        <name>mapreduce.map.memory.mb</name>
        <value>1500</value>
        <description>每個Map任務的實體記憶體限制</description>
    </property>
    
    <property>
        <name>mapreduce.reduce.memory.mb</name>
        <value>3000</value>
        <description>每個Reduce任務的實體記憶體限制</description>
    </property>
    
    <property>
        <name>mapreduce.map.java.opts</name>
        <value>-Xmx1200m</value>
    </property>
    
    <property>
        <name>mapreduce.reduce.java.opts</name>
        <value>-Xmx2600m</value>
    </property>

mapreduce.map.memory.mb >mapreduce.map.java.opts
mapreduce.reduce.memory.mb >mapreduce.reduce.java.opts

mapreduce.map.java.opts / mapreduce.map.memory.mb
=0.70~0.80
mapreduce.reduce.java.opts / mapreduce.reduce.memory.mb
=0.70~0.80

在yarn container這種模式下，JVM程序跑在container中，mapreduce.{map|reduce}.java.opts 能夠通過Xmx設定JVM最大的heap的使用，
一般設定為0.75倍的memory.mb，

則預留些空間會儲存java,scala code等