1.記憶體

hadoop為各個守護程序（namenode,secondarynamenode,jobtracker,datanode,tasktracker）統一分配的記憶體在hadoop-env.sh中設定，引數為HADOOP_HEAPSIZE，預設為1000M。

大部分情況下，這個統一設定的值可能並不適合。例如對於namenode節點，1000M的記憶體只能儲存幾百萬個檔案的資料塊的引用。如果我想單獨設定namenode的記憶體，可以通過HADOOP_NAMENODE_OPTS來設定。

同樣的，可以通過HADOOP_SECONDARYNAMENODE_OPTS來設定secondrynamenode的記憶體，使得它與namenode保持一致。

當然，還有HADOOP_DATANODE_OPTS、HADOOP_BALANCER_OPTS、HADOOP_JOBTRACKER_OPTS變數供你使用。

此外，tasktracker啟動獨立的子JVM以執行map和reduce任務，分配給每個子JVM的記憶體量由mapred.child.java.opts屬性（mapred-site.xml）控制，預設值為200M。

2.最大map任務數

一個tasktracker能夠同時執行最大map任務數，由mapred.tasktracker.map.tasks.maximum屬性（mapred-site.xml）控制，預設為2。

3.最大reduce任務數

一個tasktracker能夠同時執行最大reduce任務數，由mapred.tasktracker.reduce.tasks.maximum屬（mapred-site.xml）性控制，預設為2。

4.小總結：計算節點的記憶體佔用量。

預設情況下，一個同時運行了namenode，secondarynamenode和jobtracker的主節點，各自使用1000M記憶體，所以總計使用3000M。

預設情況下，一個從節點運行了如下守護程序：

1個datanode：預設佔用1000M記憶體。
1個tasktracker：預設佔用1000M記憶體。
最多2個map任務：2*200M=400M。
最多2個reduce任務：2*200M=400M。
即預設情況下，一個從節點需要使用2800M記憶體量。

在一個tasktracker上能夠同時執行的任務數取決於這臺機器上有多少個處理器。由於mapreduce作業通常是I/O-bound，因此將任務數設定為超出處理器數也有一定道理，可以獲得更好的利用率。經驗法則是任務總數（map任務數與reduce任務數之和）與處理器的比值在1和2之間。

例如，假設一臺8個處理器的工作節點，每個處理器上執行2個程序，則可以將最大map任務數和最大reduce任務數分別設定成7（因為還有datanode和tasktracker程序，所以不能設定為8），各個JVM子任務可用記憶體設定為400M，則總記憶體開銷=1000M(datanode)+1000M(tasktracker)+7*400M(map)+7*400M(reduce)=7600M

這樣配置是否合理，還需要考慮是否給這臺機器上的其他程序預留了足夠記憶體，否則可能導致各程序在系統中不斷切換，導致效能惡化。可以使用一些工具來監控叢集的記憶體使用情況來進行優化，例如Ganglia工具。

hadoop也可以設定mapreduce操作所能使用的最大記憶體量，這是分別針對各項作業進行設定的。（詳見《hadoop權威指南》117頁的“shuffle和排序”小節）