hadoop之 map個數控制

 hadooop提供了一個設定map個數的引數mapred.map.tasks，我們可以透過這個引數來控制map的個數。但是透過這種方式設定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，1.x預設為64M，2.x為128M，可以透過引數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
mapred.tasktracker.map.tasks.maximum: 任務跟蹤器將同時執行的最大對映任務數,預設為2

（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
可以透過引數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
可以透過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min_map_num >= input_file_num。 所以，最終的map個數應該為：
final_map_num = max(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。

（5）mapred.tasktracker.map.tasks.maximum >= mapred.map.tasks

補充： hadoop版本中 1.x 與 2.x 引數名稱有變更
1.x 名稱                                                                     2.x 名稱
mapred.map.tasks                                                    mapreduce.job.maps
mapred.min.split.size                                                mapreduce.input.fileinputformat.split.minsize
mapred.tasktracker.map.tasks.maximum                  mapreduce.tasktracker.map.tasks.maximum