认识map-reduce

基本概念

map-reduce1.0

例子：

hadoop streaming

1. 用语言驱动map-reduce的话，使用的hadoop streaming命令，可以通过python，php，java来驱动；
2. 命令参数列表如下：

-input <path>	输入数据路径
-output <path>	输出数据路径
-mapper <cmd|JavaClassName>	mapper可执行程序或Java类
-reducer <cmd|JavaClassName>	reducer可执行程序或Java类
-file <file> Optional	分发本地文件
-cacheFile <file> Optional	分发HDFS文件
-cacheArchive <file> Optional	分发HDFS压缩文件
-numReduceTasks <num> Optional	reduce任务个数
-jobconf | -D NAME=VALUE Optional	作业配置参数
-combiner <JavaClassName>Optional	Combiner Java类
-partitioner <JavaClassName>Optional	Partitioner Java类
-inputformat <JavaClassName> Optional	InputFormat Java类
-outputformat <JavaClassName> Optional	OutputFormat Java类
-inputreader <spec> Optional	InputReader配置
-cmdenv <n>=<v> Optional	传给mapper和reducer的环境变量
-mapdebug <path> Optional	mapper失败时运行的debug程序
-reducedebug <path> Optional	reducer失败时运行的debug程序
-verbose Optional	详细输出模式

map和 reduce task的个数设置问题

参考资料： https://www.cnblogs.com/xiangyangzhu/p/5278328.html

reduce task的个数 决定 map task的个数，reduce task的个数是人为指定的（？？存疑，还有一种说法是文件大小和block的关系决定map task的个数）

MapReduce作业中Map Task数目的确定：  

1）MapReduce从HDFS中分割读取Split文件，通过Inputformat交给Mapper来处理。Split是MapReduce中最小的计算单元，一个Split文件对应一个Map Task

2）默认情况下HDFS种的一个block，对应一个Split。

3）当执行Wordcount时：

  （1）一个输入文件小雨64MB，默认情况下则保存在hdfs上的一个block中，对应一个Split文件，所以将产生一个Map Task。

  （2）如果输入一个文件为150MB，默认情况下保存在HDFS上的三个block中，对应三个Split文件，所以将产生三个Map Task。

  （3）如果有输入三个文件都小于64MB，默认情况下会保存在三个不同的block中，也将产生三个Map Task。

4）用户可自行指定block与split的关系，HDSF中的一个block，一个Split也可以对应多个block。Split与block的关系都是一对多的关系。

5）总结MapReduce作业中的Map Task数目是由：

  （1）输入文件的个数与大小

  （2）hadoop设置split与block的关系来决定。

MapReduce作业中Reduce Task数目的指定：  

1）JobClient类中submitJobInternal方法中指定：int reduces=jobCopy.getNumReduceTasks();

2）而JobConf类中，public int getNumReduceTasks(){return geInt("mapred.reduce.tasks",1)}

因此，Reduce Task数目是由mapred.reduce.tasks指定，如果不指定则默认为1.

这就很好解释了wordcount程序中的reduce数量为1的问题，这时候map阶段的partition（分区）就为1了。

other说法

参考资料： https://blog.csdn.net/wf1982/article/details/6672607

增加task的数量，一方面增加了系统的开销，另一方面增加了负载平衡和减小了任务失败的代价；

map task的数量即mapred.map.tasks的参数值，用户不能直接设置这个参数。Input Split的大小，决定了一个Job拥有多少个map。默认input split的大小是64M（与dfs.block.size的默认值相同）。然而，如果输入的数据量巨大，那么默认的64M的block会有几万甚至几十万的Map Task，集群的网络传输会很大，最严重的是给Job Tracker的调度、队列、内存都会带来很大压力。mapred.min.split.size这个配置项决定了每个 Input Split的最小值，用户可以修改这个参数，从而改变map task的数量。

一个恰当的map并行度是大约每个节点10-100个map，且最好每个map的执行时间至少一分钟。

reduce task的数量由mapred.reduce.tasks这个参数设定，默认值是1。

合适的reduce task数量是0.95或者0.75*( nodes * mapred.tasktracker.reduce.tasks.maximum), 其中，mapred.tasktracker.tasks.reduce.maximum的数量一般设置为各节点cpu core数量，即能同时计算的slot数量。对于0.95，当map结束时，所有的reduce能够立即启动；对于1.75，较快的节点结束第一轮reduce后，可以开始第二轮的reduce任务，从而提高负载均衡

性能优化

参考资料： http://www.mamicode.com/info-detail-1357816.html

Reducers数过多的情况：

生成了很多个小文件(最终输出文件由reducer决定，一个reducer输出一个文件)，那么如果这些小文件作为下一个Job输入，则会出现小文件过多需要进行合并的问题。而且启动和初始化reducer需要耗费时间和资源。

Reducers数过少：

执行耗时，并且可能出现数据倾斜

Reducer个数的决定：

           默认情况下，Hive分配reducer个数由下列参数决定：

                    参数1：hive.exec.reducers.bytes.per.reducer（默认为1G）

                    参数2：hive.exec.reducers.max(默认为999)

         计算reducer数的公式：

           N=min(参数2，总输入数据量/参数1)

           即默认一个reduce处理1G数据量。

注意：与mapred.map.tasks参数不同，如果设置了setmapred.reduce.tasks参数的数值，忽略上述计算，reducer个数可以由mapred.reduce.tasks直接指定。