做大数据&&算法 其实最重要的三件事 ，就是 管理数据 和集群运维 模型训练，一旦 远离这三个主题，大数据都无法发挥它应用的作用。
废话不多说，这几天主要是采坑了。我认为现在碰到的最要命的就是 碰到 集群 掉链子 无法使用，导致 其他 同事无法运行 任务。
这几天，碰到了两次 hadoop mapreduce 卡死的现象 ，主要就是停留在 job 那里 无法进行，或者map 0 reduce 0.第一次 碰到时没有找到原因，用网上最粗暴的方法 重启了hadoop集群，暂时解决了问题。
今天又碰到了同样的问题，因为 logstash一直在往hdfs上写数据，一旦重启集群可能会丢失数据，所以 一直非常谨慎，不敢 行事。希望找到最主要的原因。通过在网上查找，其实大部分是三种
1.原先配置有严重错误问题，因为之前我的集群 运行良好，现在 卡死，可能是 最近 集群状态除了问题可以排除这一条，还有就是程序本身有问题，因为同一个程序运行小数据量的正常出了结果，大数据量就job卡死掉了，说明程序本身没有问题
2.剩下的两天就是 磁盘不足了和内存 不足了
先说磁盘不足 ，其实这个是半真半假的事情，我们三个 DataNode节点的 各有 12T 的数据存放 磁盘，12块1024G的磁盘构成，但是 系统盘 只有区区 60G，
内存不足 ，也是一个半真半假的事情，每个节点 12G 内存，三个节点36G，每个节点 cpu 六核。
为了确定问题的根源，只能先看 hadoop的logs 日志，Master 和 DataNode的logs 都看了，但是都没有找到具体的原因，有点沮丧，后来 就去分析 job 执行 的网页状态，job状态也没有发现太多问题，因为 job卡死，很多job 就直接被 hadoop job -kill job_id 掉了
后来就看 集群状态图，发现一些猫腻。 CPU total 变成0 了，memery也是 0，接着再看，发现 node unhealthy 出现了 3，
点开一看，三个数据节点都是unhealthy的。
那么 这个unhealthy 是一个更明晰的问题特征，
接着就跟着往深里 找原因，出现 unhealthy 两种原因，1. 节点通信故障 ，因为hdfs 一直在写数据 很正常，可以排除
2。磁盘 真的 不足了，但是我的节点12个磁盘都是在没有超过80%呀，只有系统盘超过了90%，难道 hadoop 连系统盘都算是检查的盘，好吧，可能是，之后就按网上的以解决磁盘不足导致job卡死。
主要是 hadoop 默认检查 磁盘状况，一旦超过默认的90%就会 导致 数据节点拒绝执行mapreduce，通过在yarn-site.xml 设置 更大的阈值，延迟 节点拒绝mapreduce的情况。通过在其中添加
<property> <name>yarn.nodemanager.disk-health-checker.min-healthy-disks</name> <value>0.0</value> </property> <property> <name>yarn.nodemanager.disk-health-checker.max-disk-utilization-per-disk-percentage</name> <value>100.0</value> </property>
集群也没有重启，Master和数据节点 四个机器都修改了，然后就生效。所以说 有些配置可以不重启集群实现的。
如果要重启，网上给出 只用重启 NodeManager 和Resourcemannager
`
3.1 重启nodemanager：
/usr/local/goldmine/hadoop/default/sbin/yarn-daemon.sh stop nodemanager
/usr/local/goldmine/hadoop/default/sbin/yarn-daemon.sh start nodemanager
3.2 重启resourcemanager，(否则会导致修改的节点状态错乱)
/usr/local/goldmine/hadoop/default/sbin/yarn-daemon.sh stop resourcemanager
/usr/local/goldmine/hadoop/default/sbin/yarn-daemon.sh start resourcemanager
3.3 刷新http://hadoop/cluster/nodes/unhealthy页面： 可以看到不健康的nodemanager已经消失在列表了。3.4 命令显示yarn各节点状态：
yarn node -list -all
`
也定位到了原来是系统磁盘惹得鬼，下次在建hadoop集群，系统磁盘也一定要足够大，不然会严重影响集群的稳定。
之后执行job 完美执行了，再看系统盘也恢复到40%一下，刚才主要是系统盘有一些【临时文件】导致的。
之后发现 job 又卡死了，但是这次是卡死在 map12 reduce0中，好诡异，之前 发生了一件事情，map60% 后，竟然回滚了到了map 0,接着卡死。再次查看系统盘，又 飙到了97% 99% 96%，因为系统盘无法 扩容，这可咋整。
那我们就要想想 为什么 系统盘会突然猛增大量的临时文件 挤占磁盘空间，为什么 为什么！！！！！！，想了半天我终于知道了，这和hadoop的mapreduce 原理有关，如果是spark就不会出现这种情况，更多的是内存不足，hadoop 的mapreduce 在map的中间结果会保留在磁盘上，而spark的中间结果会放在内存里，所以更快更吃内存。
正是因为hadoop的中间结果保存在了磁盘上，导致猛增大量临时文件。好，现在问题的根源找到了，就是mapreduce 的中间文件太大影响了 磁盘空间 导致节点拒绝服务，内存 和CPU 拒绝提供 都为 0， 导致 没有资源，job 卡死。也说明了，为啥 小数据量程序正常，大数据量了反而 job卡死，正是因为 数据量越大 中间结果就更多，挤占磁盘就更多。
但是我们 执行mapreduce就是要产生中间文件的，这个是源码规定 适合hadoop运行保障的，不可以修改，那么 既然中间临时文件必须产生，主要就是把中间文件放在哪里，可以保障 挤占磁盘的百分比更小，当然是更大的磁盘了，我们的最小磁盘是系统盘，所以最容易增长百分比，job卡死，所以我们要用最大的盘 保留 中间结果，我们最大的盘是1024G，就用这个就可以了，然后就是设置 mapreduce中间结果路径，在配置文件里，到这里，问题就等于从根源上解决了。
hadoop 2.8.1 需要在 mapred-site.xml 设置 map.local.dir 和
map.tmp.dir 属性对应的 磁盘目录
