如何確定 Hadoop map和reduce的個數--map和reduce數量之間的關系是什么

一般情況下，在輸入源是文件的時候，一個task的map數量由splitSize來決定的，那么splitSize是由以下幾個來決定的
goalSize = totalSize / mapred.map.tasks
inSize = max {mapred.min.split.size, minSplitSize}
splitSize = max (minSize, min(goalSize, dfs.block.size))
一個task的reduce數量，由partition決定。
在輸入源是數據庫的情況下，比如mysql，對于map的數量需要用戶自己指定，比如
jobconf.set(“mapred.map.tasks.nums”,20)；
如果數據源是HBase的話，map的數量就是該表對應的region數量。
map和reduce是hadoop的核心功能，hadoop正是通過多個map和reduce的并行運行來實現任務的分布式并行計算，從這個觀點來看，如果將map和reduce的數量設置為1，那么用戶的任務就沒有并行執行，但是map和reduce的數量也不能過多，數量過多雖然可以提高任務并行度，但是太多的map和reduce也會導致整個hadoop框架因為過度的系統資源開銷而使任務失敗。所以用戶在提交map/reduce作業時應該在一個合理的范圍內，這樣既可以增強系統負載勻衡，也可以降低任務失敗的開銷。
1 map的數量
map的數量通常是由hadoop集群的DFS塊大小確定的，也就是輸入文件的總塊數，正常的map數量的并行規模大致是每一個Node是10~100個，對于CPU消耗較小的作業可以設置Map數量為300個左右，但是由于hadoop的每一個任務在初始化時需要一定的時間，因此比較合理的情況是每個map執行的時間至少超過1分鐘。具體的數據分片是這樣的，InputFormat在默認情況下會根據hadoop集群的DFS塊大小進行分片，每一個分片會由一個map任務來進行處理，當然用戶還是可以通過參數mapred.min.split.size參數在作業提交客戶端進行自定義設置。還有一個重要參數就是mapred.map.tasks，這個參數設置的map數量僅僅是一個提示，只有當InputFormat 決定了map任務的個數比mapred.map.tasks值小時才起作用。同樣，Map任務的個數也能通過使用JobConf 的conf.setNumMapTasks(int num)方法來手動地設置。這個方法能夠用來增加map任務的個數，但是不能設定任務的個數小于Hadoop系統通過分割輸入數據得到的值。當然為了提高集群的并發效率，可以設置一個默認的map數量，當用戶的map數量較小或者比本身自動分割的值還小時可以使用一個相對交大的默認值，從而提高整體hadoop集群的效率。
2 reduece的數量
reduce在運行時往往需要從相關map端復制數據到reduce節點來處理，因此相比于map任務。reduce節點資源是相對比較缺少的，同時相對運行較慢，正確的reduce任務的個數應該是0.95或者1.75 *（節點數 ×mapred.tasktracker.tasks.maximum參數值）。如果任務數是節點個數的0.95倍，那么所有的reduce任務能夠在 map任務的輸出傳輸結束后同時開始運行。如果任務數是節點個數的1.75倍，那么高速的節點會在完成他們第一批reduce任務計算之后開始計算第二批 reduce任務，這樣的情況更有利于負載均衡。同時需要注意增加reduce的數量雖然會增加系統的資源開銷，但是可以改善負載勻衡，降低任務失敗帶來的負面影響。同樣，Reduce任務也能夠與 map任務一樣，通過設定JobConf 的conf.setNumReduceTasks(int num)方法來增加任務個數。
3 reduce數量為0
有些作業不需要進行歸約進行處理，那么就可以設置reduce的數量為0來進行處理，這種情況下用戶的作業運行速度相對較高，map的輸出會直接寫入到 SetOutputPath(path)設置的輸出目錄，而不是作為中間結果寫到本地。同時Hadoop框架在寫入文件系統前并不對之進行排序。