在Hadoop MapReduce作业运行时，经常会遇到OOM（Out of Memory）问题，导致作业失败。本文将介绍如何排查Hadoop MapReduce作业运行时的OOM问题。

1. 检查作业日志

首先，需要检查作业日志，查看是否有OOM相关的信息。以下是一些常见的OOM信息：

• java.lang.OutOfMemoryError: Java heap space
• java.lang.OutOfMemoryError: GC overhead limit exceeded
• java.lang.OutOfMemoryError: Metaspace

如果发现了OOM相关的信息，可以根据这些信息进一步定位问题。

2. 检查作业的配置

接下来，需要检查作业的配置，确保没有设置过高的内存参数。以下是一些常见的需要检查的配置：

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

3. 检查作业的代码

如果作业的配置没有问题，那么需要检查作业的代码是否有内存泄漏的问题。可以使用一些内存分析工具，比如VisualVM或JProfiler，来检查作业的内存使用情况。

4. 使用Hadoop自带的OOM监控工具

Hadoop提供了一个自带的OOM监控工具，可以帮助用户监控作业的内存使用情况，并在发生OOM时发出警告。要使用这个工具，需要在Hadoop的配置文件中设置以下参数：

5. 使用第三方OOM监控工具

如果Hadoop自带的OOM监控工具不能满足需求，也可以使用第三方OOM监控工具。比如，Arthas提供了一个OOM监控插件，可以帮助用户监控作业的内存使用情况，并在发生OOM时发出警告。

通过以上方法，可以帮助用户排查Hadoop MapReduce作业运行时的OOM问题。