请阐述针对 Hadoop 集群可以采取哪些调优措施，并结合业务场景说明如何评估并选择最适用的调优方案。

回答思路

1. 【回答框架 1】调优涉及多个层面，包括硬件配置（如 CPU、内存、磁盘、网络）、操作系统参数（文件句柄数、内存分配）、HDFS 参数（副本数、块大小、数据节点线程数）、MapReduce/YARN 资源参数（内存、CPU 核数、容器大小、调度器选择）以及代码层面的优化（如 Combiner、压缩）。
2. 【回答框架 2】业务需求分析先行：若业务以离线批处理为主，重点调优 MapReduce 和 YARN 的资源分配与并行度；若以实时或低延迟查询为主，可能需整合其他组件如 Spark、Hive LLAP、HBase 等，并将 HDFS 与计算层联合调优；若存储容量是瓶颈，可调整块大小、副本策略，或引入纠删码。
3. 【回答框架 3】给出具体方案：例如，大作业可增大容器内存和 CPU，调整 map/reduce 并行度；I/O 密集场景可启用压缩、合理设置块大小；小文件多时合并小文件，或使用 HAR/SequenceFile；根据集群规模选择 Fair Scheduler 或 Capacity Scheduler，并配置资源池。
4. 【回答框架 4】必须基于监控数据（如 CPU、内存、磁盘 I/O、网络、任务执行时间）和压测结果迭代调优，不能凭空确定参数；调优效果需用基准测试（如 TeraSort、DFSIO）验证。
5. 【关键点 1】调优应覆盖硬件、系统参数、HDFS、计算框架（MapReduce/YARN）和应用代码等层次，不可只改单一参数。
6. 【关键点 2】选择调优方案前必须明确业务类型、数据规模、响应时间要求、集群成本等。
7. 【关键点 3】资源参数如容器内存、CPU 核数、并行度需根据作业实际需求设定，并受物理资源限制。
8. 【关键点 4】HDFS 优化如合理设置块大小（如 128MB/256MB）、副本数，并规避大量小文件，提升存储与访问效率。
9. 【关键点 5】调优效果需通过监控与基准测试评估，持续迭代。
10. 【易错点 1】盲目照搬经验参数，未结合实际集群资源与业务负载，可能导致资源浪费或任务失败。
11. 【易错点 2】只关注单点调优，忽略调优之间的相互影响（如调大容器内存却减少容器数量，导致并行度下降）。
12. 【易错点 3】将所有调优责任归于集群参数，忽略应用代码效率（如低效的 Join 算法、未用压缩）对性能的影响。