大數(shù)據(jù)離線階段Day8之MapReduce并行度機(jī)制

　　1. MapTask并行度機(jī)制

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

　　一個(gè)MapReducejob的map階段并行度由客戶端在提交job時(shí)決定，即客戶端提交job之前會(huì)對(duì)待處理數(shù)據(jù)進(jìn)行邏輯切片。切片完成會(huì)形成切片規(guī)劃文件(job.split)，每個(gè)邏輯切片最終對(duì)應(yīng)啟動(dòng)一個(gè)maptask。

　　邏輯切片機(jī)制由FileInputFormat實(shí)現(xiàn)類的getSplits()方法完成。

　　FileInputFormat切片機(jī)制

　　FileInputFormat中默認(rèn)的切片機(jī)制：

　　A. 簡(jiǎn)單地按照文件的內(nèi)容長(zhǎng)度進(jìn)行切片

　　B. 切片大小，默認(rèn)等于block大小

　　C. 切片時(shí)不考慮數(shù)據(jù)集整體，而是逐個(gè)針對(duì)每一個(gè)文件單獨(dú)切片

　　比如待處理數(shù)據(jù)有兩個(gè)文件：

　　file1.txt 320M

　　file2.txt 10M

　　經(jīng)過FileInputFormat的切片機(jī)制運(yùn)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(jì)算切片大小的邏輯：

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

　　切片主要由這幾個(gè)值來運(yùn)算決定：

　　minsize：默認(rèn)值：1

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

　　maxsize：默認(rèn)值：Long.MAXValue

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

　　blocksize

　　因此，默認(rèn)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(huì)讓切片變小，而且就等于配置的這個(gè)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(gè)小文件“劃入”一個(gè)split。

　　還有個(gè)細(xì)節(jié)就是：

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

　　2. Reducetask并行度機(jī)制

　　reducetask并行度同樣影響整個(gè)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(dòng)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(jì)算全局匯總結(jié)果，就只能有1個(gè)reducetask。

　　3. Task并行度經(jīng)驗(yàn)之談

　　最好每個(gè)task的執(zhí)行時(shí)間至少一分鐘。

　　如果job的每個(gè)map或者 reduce task的運(yùn)行時(shí)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(gè)task(map|reduce)的setup和加入到調(diào)度器中進(jìn)行調(diào)度，這個(gè)中間的過程可能都要花費(fèi)幾秒鐘，所以如果每個(gè)task都非常快就跑完了，就會(huì)在task的開始和結(jié)束的時(shí)候浪費(fèi)太多的時(shí)間。

　　此外，默認(rèn)情況下，每一個(gè)task都是一個(gè)新的JVM實(shí)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(shí)間可能會(huì)比實(shí)際處理數(shù)據(jù)的時(shí)間要消耗的長(zhǎng)，配置task的JVM重用可以改善該問題：

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

　　如果input的文件非常的大，比如1TB，可以考慮將hdfs上的每個(gè)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