Uber模式可以简单理解成JVM重用，该模式是2.x开始引入的。以Uber模式运行MR作业，所有的Map Tasks和Reduce Tasks将会在ApplicationMaster所在的容器（container）中运行，也就是说整个MR作业运行的过程只会启动AM container，因为不需要启动mapper和reducer containers，所以AM不需要和远程containers通信，整个过程简单了。
不是所有的MR作业都可以启用Uber模式，如果我们的MR作业输入的数据量非常小，启动Map container或Reduce container的时间都比处理数据要长，那么这个作业就可以考虑启用Uber模式运行，一般情况下，对小作业启用Uber模式运行会得到2x-3x的性能提升。
启用uber模式的要求非常严格，代码如下：
isUber = uberEnabled && smallNumMapTasks && smallNumReduceTasks && smallInput && smallMemory && smallCpu && notChainJob && isValidUberMaxReduces;
| 条件 | 说明 |
|---|---|
| uberEnabled | mapreduce.job.ubertask.enable参数的值，默认情况下为 false。也就是说，默认情况不启用Uber模式 |
| smallNumMapTasks | 启用Uber模式的作业Map的个数必须小于等于 mapreduce.job.ubertask.maxmaps 参数的值，该值默认为9。也计算说，在默认情况下，如果你想启用Uber模式，作业的Map个数必须小于10 |
| smallNumReduceTasks | Uber模式的作业Reduce的个数必须小于等于mapreduce.job.ubertask.maxreduces，该值默认为1。也就是说，在默认情况下，如果你想启用Uber模式，作业的Reduce个数必须小于等于1 |
| smallInput | 不是任何作业都适合启用Uber模式的，输入数据的大小必须小于等于 mapreduce.job.ubertask.maxbytes 参数的值，默认情况是HDFS一个文件块大小 |
| smallMemory | 因为作业是在AM所在的container中运行，所以要求我们设置的Map内存（mapreduce.map.memory.mb）和Reduce内存（mapreduce.reduce.memory.mb）必须小于等于 AM所在容器内存大小设置（yarn.app.mapreduce.am.resource.mb） |
| smallCpu | 同理，Map配置的vcores（mapreduce.map.cpu.vcores）个数和 Reduce配置的vcores（mapreduce.reduce.cpu.vcores）个数也必须小于等于AM所在容器vcores个数的设置（yarn.app.mapreduce.am.resource.cpu-vcores） |
| notChainJob | 处理数据的Map class（mapreduce.job.map.class）和Reduce class（mapreduce.job.reduce.class）必须不是 ChainMapper 或 ChainReducer |
| isValidUberMaxReduces | 目前仅当Reduce的个数小于等于1的作业才能启用Uber模式 |
同时满足上面八个条件才能在作业运行的时候启动Uber模式。
完毕。
