Map和Reduce 個數的設定

一、    控制hive任務中的map數: 

1.    通常情況下，作業會通過input的目錄産生一個或者多個map任務。 

主要的決定因素有： input的檔案總個數，input的檔案大小，叢集設定的檔案塊大小(目前為128M, 可在hive中通過set dfs.block.size;指令檢視到，該參數不能自定義修改)；

2.    舉例： 

a)    假設input目錄下有1個檔案a,大小為780M,那麼hadoop會将該檔案a分隔成7個塊（6個128m的塊和1個12m的塊），進而産生7個map數

b)    假設input目錄下有3個檔案a,b,c,大小分别為10m，20m，130m，那麼hadoop會分隔成4個塊（10m,20m,128m,2m）,進而産生4個map數

即，如果檔案大于塊大小(128m),那麼會拆分，如果小于塊大小，則把該檔案當成一個塊。

3.    是不是map數越多越好？

答案是否定的。如果一個任務有很多小檔案（遠遠小于塊大小128m）,則每個小檔案也會被當做一個塊，用一個map任務來完成，而一個map任務啟動和初始化的時間遠遠大于邏輯處理的時間，就會造成很大的資源浪費。而且，同時可執行的map數是受限的。

4.    是不是保證每個map處理接近128m的檔案塊，就高枕無憂了？ 

答案也是不一定。比如有一個127m的檔案，正常會用一個map去完成，但這個檔案隻有一個或者兩個小字段，卻有幾千萬的記錄，如果map處理的邏輯比較複雜，用一個map任務去做，肯定也比較耗時。

針對上面的問題3和4，我們需要采取兩種方式來解決：即減少map數和增加map數；

如何合并小檔案，減少map數？ 

    假設一個SQL任務：

         Select count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’;

         該任務的inputdir  /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04

         共有194個檔案，其中很多是遠遠小于128m的小檔案，總大小9G，正常執行會用194個map任務。

         Map總共消耗的計算資源： SLOTS_MILLIS_MAPS= 623,020

         我通過以下方法來在map執行前合并小檔案，減少map數：

         set mapred.max.split.size=100000000;

                    set mapred.min.split.size.per.node=100000000;

                    set mapred.min.split.size.per.rack=100000000;

                    set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

再執行上面的語句，用了74個map任務，map消耗的計算資源：SLOTS_MILLIS_MAPS= 333,500

對于這個簡單SQL任務，執行時間上可能差不多，但節省了一半的計算資源。

大概解釋一下，100000000表示100M, set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;這個參數表示執行前進行小檔案合并， 前面三個參數确定合并檔案塊的大小，大于檔案塊大小128m的，按照128m來分隔，小于128m,大于100m的，按照100m來分隔，把那些小于100m的（包括小檔案和分隔大檔案剩下的），進行合并,最終生成了74個塊。

如何适當的增加map數？

         當input的檔案都很大，任務邏輯複雜，map執行非常慢的時候，可以考慮增加Map數，來使得每個map處理的資料量減少，進而提高任務的執行效率。

         假設有這樣一個任務：

         Select data_desc,

                count(1),

                count(distinct id),

                sum(case when …),

                sum(case when …),

                sum(…)

        from a group by data_desc

       如果表a隻有一個檔案，大小為120M，但包含幾千萬的記錄，如果用1個map去完成這個任務，肯定是比較耗時的，這種情況下，我們要考慮将這一個檔案合理的拆分成多個，這樣就可以用多個map任務去完成。

set mapred.reduce.tasks=10;

create table a_1 as

select * from a distribute by rand(123);

這樣會将a表的記錄，随機的分散到包含10個檔案的a_1表中，再用a_1代替上面sql中的a表，則會用10個map任務去完成。

每個map任務處理大于12M（幾百萬記錄）的資料，效率肯定會好很多。

看上去，貌似這兩種有些沖突，一個是要合并小檔案，一個是要把大檔案拆成小檔案，這點正是重點需要關注的地方， 根據實際情況，控制map數量需要遵循兩個原則：使大資料量利用合适的map數；使單個map任務處理合适的資料量；

二、    控制hive任務的reduce數： 

1.    Hive自己如何确定reduce數： 

reduce個數的設定極大影響任務執行效率，不指定reduce個數的情況下，Hive會猜測确定一個reduce個數，基于以下兩個設定：

hive.exec.reducers.bytes.per.reducer（每個reduce任務處理的資料量，預設為1000^3=1G） 

hive.exec.reducers.max（每個任務最大的reduce數，預設為999）

計算reducer數的公式很簡單N=min(參數2，總輸入資料量/參數1)

即，如果reduce的輸入（map的輸出）總大小不超過1G,那麼隻會有一個reduce任務；

2.    調整reduce個數方法一： 

調整hive.exec.reducers.bytes.per.reducer參數的值；

set hive.exec.reducers.bytes.per.reducer=500000000; （500M）

select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt; 這次有20個reduce

3.    調整reduce個數方法二； 

set mapred.reduce.tasks = 15;

select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt;這次有15個reduce

4.    reduce個數并不是越多越好；

同map一樣，啟動和初始化reduce也會消耗時間和資源；

另外，有多少個reduce,就會有多少個輸出檔案，如果生成了很多個小檔案，那麼如果這些小檔案作為下一個任務的輸入，則也會出現小檔案過多的問題；

5.什麼情況下隻有一個reduce；

很多時候你會發現任務中不管資料量多大，不管你有沒有設定調整reduce個數的參數，任務中一直都隻有一個reduce任務；其實隻有一個reduce任務的情況，除了資料量小于hive.exec.reducers.bytes.per.reducer參數值的情況外，還有以下原因：

a)    沒有group by的彙總，比如把select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt; 寫成 select count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’;

這點非常常見，希望大家盡量改寫。

b)    用了Order by

c)    有笛卡爾積

通常這些情況下，除了找辦法來變通和避免，我暫時沒有什麼好的辦法，因為這些操作都是全局的，是以hadoop不得不用一個reduce去完成。

同樣的，在設定reduce個數的時候也需要考慮這兩個原則：使大資料量利用合适的reduce數；使單個reduce任務處理合适的資料量；