大数据离线阶段Day8之MapReduce并行度机制

　　1. MapTask并行度机制

　　MapTask的并行度指的是map阶段有多少个并行的task共同处理任务。map阶段的任务处理并行度，势必影响到整个job的处理速度。那么，MapTask并行实例是否越多越好呢?其并行度又是如何决定呢?

　　一个MapReducejob的map阶段并行度由客户端在提交job时决定，即客户端提交job之前会对待处理数据进行逻辑切片。切片完成会形成切片规划文件(job.split)，每个逻辑切片最终对应启动一个maptask。

　　逻辑切片机制由FileInputFormat实现类的getSplits()方法完成。

　　FileInputFormat切片机制

　　FileInputFormat中默认的切片机制：

　　A. 简单地按照文件的内容长度进行切片

　　B. 切片大小，默认等于block大小

　　C. 切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

　　比如待处理数据有两个文件：

　　file1.txt 320M

　　file2.txt 10M

　　经过FileInputFormat的切片机制运算后，形成的切片信息如下：

　　file1.txt.split1—0M~128M

　　file1.txt.split2—128M~256M

　　file1.txt.split3—256M~320M

　　file2.txt.split1—0M~10M

　　FileInputFormat中切片的大小的参数配置

　　在FileInputFormat中，计算切片大小的逻辑：

　　Math.max(minSize, Math.min(maxSize, blockSize));

　　切片主要由这几个值来运算决定：

　　minsize：默认值：1

　　配置参数： mapreduce.input.fileinputformat.split.minsize

　　maxsize：默认值：Long.MAXValue

　　配置参数：mapreduce.input.fileinputformat.split.maxsize

　　blocksize

　　因此，默认情况下，split size=blocksize,在hadoop 2.x中为128M。

　　maxsize(切片最大值)：参数如果调得比blocksize小，则会让切片变小，而且就等于配置的这个参数的。

　　minsize (切片最小值)：参数调的比blockSize大，则可以让切片变得比blocksize还大。

　　但是，不论怎么调参数，都不能让多个小文件“划入”一个split。

　　还有个细节就是：

　　当bytesRemaining/splitSize > 1.1不满足的话，那么最后所有剩余的会作为一个切片。从而不会形成例如129M文件规划成两个切片的局面。

　　2. Reducetask并行度机制

　　reducetask并行度同样影响整个job的执行并发度和执行效率，与maptask的并发数由切片数决定不同，Reducetask数量的决定是可以直接手动设置：

　　job.setNumReduceTasks(4);

　　如果数据分布不均匀，就有可能在reduce阶段产生数据倾斜。

　　注意： reducetask数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有1个reducetask。

　　3. Task并行度经验之谈

　　最好每个task的执行时间至少一分钟。

　　如果job的每个map或者 reduce task的运行时间都只有30-40秒钟，那么就减少该job的map或者reduce数，每一个task(map|reduce)的setup和加入到调度器中进行调度，这个中间的过程可能都要花费几秒钟，所以如果每个task都非常快就跑完了，就会在task的开始和结束的时候浪费太多的时间。

　　此外，默认情况下，每一个task都是一个新的JVM实例，都需要开启和销毁的开销。在一些情况下，JVM开启和销毁的时间可能会比实际处理数据的时间要消耗的长，配置task的JVM重用可以改善该问题：

　　(mapred.job.reuse.jvm.num.tasks，默认是1，表示一个JVM上最多可以顺序执行的task数目(属于同一个Job)是1。也就是说一个task启一个JVM)

　　如果input的文件非常的大，比如1TB，可以考虑将hdfs上的每个block size设大，比如设成256MB或者512MB

作者 ：黑马程序员大数据培训学院
首发：http://cloud.itheima.com