如何在hadoop中控制map的個數

逸卿發表於2014-05-06
Hadoop
   hadooop提供了一個設定map個數的引數mapred.map.tasks，我們可以通過這個引數來控制map的個數。但是通過這種方式設定map的個數，並不是每次都有效的。原因是mapred.map.tasks只是一個hadoop的參考數值，最終map的個數，還取決於其他的因素。
     為了方便介紹，先來看幾個名詞：
block_size : hdfs的檔案塊大小，預設為64M，可以通過引數dfs.block.size設定
total_size : 輸入檔案整體的大小
input_file_num : 輸入檔案的個數

（1）預設map個數
     如果不進行任何設定，預設的map個數是和blcok_size相關的。
     default_num = total_size / block_size;

（2）期望大小
     可以通過引數mapred.map.tasks來設定程式設計師期望的map個數，但是這個個數只有在大於default_num的時候，才會生效。
     goal_num = mapred.map.tasks;

（3）設定處理的檔案大小
     可以通過mapred.min.split.size 設定每個task處理的檔案大小，但是這個大小隻有在大於block_size的時候才會生效。
     split_size = max(mapred.min.split.size, block_size);
     split_num = total_size / split_size;

（4）計算的map個數
compute_map_num = min(split_num,  max(default_num, goal_num))

     除了這些配置以外，mapreduce還要遵循一些原則。 mapreduce的每一個map處理的資料是不能跨越檔案的，也就是說max_map_num <= input_file_num。 所以，最終的map個數應該為：
     final_map_num = min(compute_map_num, input_file_num)

     經過以上的分析，在設定map個數的時候，可以簡單的總結為以下幾點：
（1）如果想增加map個數，則設定mapred.map.tasks 為一個較大的值。
（2）如果想減小map個數，則設定mapred.min.split.size 為一個較大的值。
（3）如果輸入中有很多小檔案，依然想減少map個數，則需要將小檔案merger為大檔案，然後使用準則2。

相關文章