1. MapTask并行度機制

　　MapTask的并行度指的是map階段有多少個并行的task共同處理任務(wù)。map階段的任務(wù)處理并行度，勢必影響到整個job的處理速度。那么，MapTask并行實例是否越多越好呢?其并行度又是如何決定呢?

　　一個MapReducejob的map階段并行度由客戶端在提交job時決定，即客戶端提交job之前會對待處理數(shù)據(jù)進行邏輯切片。切片完成會形成切片規(guī)劃文件(job.split)，每個邏輯切片最終對應(yīng)啟動一個maptask。

　　邏輯切片機制由FileInputFormat實現(xiàn)類的getSplits()方法完成。

　　FileInputFormat切片機制

　　FileInputFormat中默認的切片機制：

　　A. 簡單地按照文件的內(nèi)容長度進行切片

　　B. 切片大小，默認等于block大小

　　C. 切片時不考慮數(shù)據(jù)集整體，而是逐個針對每一個文件單獨切片

　　比如待處理數(shù)據(jù)有兩個文件：

　　file1.txt 320M

　　file2.txt 10M

　　經(jīng)過FileInputFormat的切片機制運算后，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中切片的大小的參數(shù)配置

　　在FileInputFormat中，計算切片大小的邏輯：

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

　　切片主要由這幾個值來運算決定：

　　minsize：默認值：1

　　配置參數(shù)： mapreduce.input.fileinputformat.split.minsize

　　maxsize：默認值：Long.MAXValue

　　配置參數(shù)：mapreduce.input.fileinputformat.split.maxsize

　　blocksize

　　因此，默認情況下，split size=blocksize,在hadoop 2.x中為128M。

　　maxsize(切片最大值)：參數(shù)如果調(diào)得比blocksize小，則會讓切片變小，而且就等于配置的這個參數(shù)的。

　　minsize (切片最小值)：參數(shù)調(diào)的比blockSize大，則可以讓切片變得比blocksize還大。

　　但是，不論怎么調(diào)參數(shù)，都不能讓多個小文件“劃入”一個split。

　　還有個細節(jié)就是：

　　當bytesRemaining/splitSize > 1.1不滿足的話，那么最后所有剩余的會作為一個切片。從而不會形成例如129M文件規(guī)劃成兩個切片的局面。

　　2. Reducetask并行度機制

　　reducetask并行度同樣影響整個job的執(zhí)行并發(fā)度和執(zhí)行效率，與maptask的并發(fā)數(shù)由切片數(shù)決定不同，Reducetask數(shù)量的決定是可以直接手動設(shè)置：

　　job.setNumReduceTasks(4);

　　如果數(shù)據(jù)分布不均勻，就有可能在reduce階段產(chǎn)生數(shù)據(jù)傾斜。

　　注意： reducetask數(shù)量并不是任意設(shè)置，還要考慮業(yè)務(wù)邏輯需求，有些情況下，需要計算全局匯總結(jié)果，就只能有1個reducetask。

　　3. Task并行度經(jīng)驗之談

　　最好每個task的執(zhí)行時間至少一分鐘。

　　如果job的每個map或者 reduce task的運行時間都只有30-40秒鐘，那么就減少該job的map或者reduce數(shù)，每一個task(map|reduce)的setup和加入到調(diào)度器中進行調(diào)度，這個中間的過程可能都要花費幾秒鐘，所以如果每個task都非常快就跑完了，就會在task的開始和結(jié)束的時候浪費太多的時間。

　　此外，默認情況下，每一個task都是一個新的JVM實例，都需要開啟和銷毀的開銷。在一些情況下，JVM開啟和銷毀的時間可能會比實際處理數(shù)據(jù)的時間要消耗的長，配置task的JVM重用可以改善該問題：

　　(mapred.job.reuse.jvm.num.tasks，默認是1，表示一個JVM上最多可以順序執(zhí)行的task數(shù)目(屬于同一個Job)是1。也就是說一個task啟一個JVM)

　　如果input的文件非常的大，比如1TB，可以考慮將hdfs上的每個block size設(shè)大，比如設(shè)成256MB或者512MB

作者 ：黑馬程序員大數(shù)據(jù)培訓(xùn)學(xué)院
首發(fā)：http://cloud.itheima.com