21 MapTask并行度決定機制

maptask的并行度決定map階段的任務處理并發度，進而影響到整個job的處理速度。

那麼，mapTask并行執行個體是否越多越好呢？其并行度又是如何決定呢？

mapTask并行度的決定機制

一個job的map階段并行度由用戶端在送出job時決定

而用戶端對map階段并行度的規劃的基本邏輯為：

将待處理資料執行邏輯切片（即按照一個特定切片大小，将待處理資料劃分成邏輯上的多個split），然後每一個split配置設定一個mapTask并行執行個體處理。

這段邏輯及形成的切片規劃描述檔案，由FileInputFormat實作類的getSplits()方法完成，其過程如下圖：

FileInputFormat切片機制

​1、切片定義在InputFormat類中的getSplit()方法​

​2、FileInputFormat中預設的切片機制：​

• a) 簡單地按照檔案的内容長度進行切片
• b) 切片大小，預設等于block大小
• c) 切片時不考慮資料集整體，而是逐個針對每一個檔案單獨切片

比如待處理資料有兩個檔案：

file1.txt    320M
file2.txt    10M      

經過FileInputFormat的切片機制運算後，形成的切片資訊如下：

file1.txt.split1--  0~128
file1.txt.split2--  128~256
file1.txt.split3--  256~320
file2.txt.split1--  0~10M      

​3、FileInputFormat中切片的大小的參數配置​

通過分析源碼，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：預設值：1  
    配置參數： mapreduce.input.fileinputformat.split.minsize    

maxsize：預設值：Long.MAXValue  
    配置參數：mapreduce.input.fileinputformat.split.maxsize

blocksize      

是以，預設情況下，切片大小=blocksize

maxsize（切片最大值）：

參數如果調得比blocksize小，則會讓切片變小，而且就等于配置的這個參數的值

minsize （切片最小值）：

參數調的比blockSize大，則可以讓切片變得比blocksize還大

​選擇并發數的影響因素：​

1、運算節點的硬體配置

2、運算任務的類型：CPU密集型還是IO密集型

3、運算任務的資料量

map并行度的經驗之談

如果硬體配置為2*12core + 64G，恰當的map并行度是大約每個節點20-100個map，最好每個map的執行時間至少一分鐘。

• 如果job的每個map或者 reduce task的運作時間都隻有30-40秒鐘，那麼就減少該job的map或者reduce數，每一個task(map|reduce)的setup和加入到排程器中進行排程，這個中間的過程可能都要花費幾秒鐘，是以如果每個task都非常快就跑完了，就會在task的開始和結束的時候浪費太多的時間。

  ​配置task的JVM重用可以改善該問題： （mapred.job.reuse.jvm.num.tasks，預設是1，表示一個JVM上最多可以順序執行的task

  數目（屬于同一個Job）是1。也就是說一個task啟一個JVM）

• 如果input的檔案非常的大，比如1TB，可以考慮将hdfs上的每個block size設大，比如設成256MB或者512MB

ReduceTask并行度的決定

reducetask的并行度同樣影響整個job的執行并發度和執行效率，但與maptask的并發數由切片數決定不同，Reducetask數量的決定是可以直接手動設定：

//預設值是1，手動設定為4

job.setNumReduceTasks(4);      

如果資料分布不均勻，就有可能在reduce階段産生資料傾斜。

注意： reducetask數量并不是任意設定，還要考慮業務邏輯需求，有些情況下，需要計算全局彙總結果，就隻能有1個reducetask