控制任务中mapreduce个数.pdf

一、控制hive任务中的map数:

1.通常情况业会通过input的产生一个或者多个map任务。

主要的决定因素有：input的文件总个数，input的文件大小，集群设置的文件块大小(目

前为128M,可在hive中通过setdfs.block.size;命令查看到，该参数不能自定义修改)；

2.举例：

a)假设input下有1个文件a,大小为780M,那么hadoop会将该文件a分隔成7个

块（6个128m的块和1个12m的块），从而产生7个map数

b)假设input下有3个文件a,b,c,大小分别为10m，20m，130m，那么hadoop会

分隔成4个块（10m,20m,128m,2m）,从而产生4个map数

即，如果文件大于块大小(128m),那么会拆分，如果小于块大小，则把该文件当成一个块。

3.是不是map数越多越好？

答案是否定的。如果一个任务有很多小文件（远远小于块大小128m）,则每个小文件也会

被当做一个块，用一个map任务来完成，

而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪

费。

而且，同时可执行的map数是受限的。

4.是不是保证每个map处理接近128m的文件块，就高枕无忧了？

答案也是不一定。比一个127m的文件，正常会用一个map去完成，但这个文件只有

一个或者两个小字段，却有几千万的记录，

如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时。

针对上面的问题3和4，我们需要采取两种方式来解决：即减少map数和增加map数；

如何合并小文件，减少map数？

假设一个SQL任务：

Selectcount(1)frompopt_tbaccountcopy_meswherept=‘2012-07-04’;

该任务的

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

共有194个文件，其中很多是远远小于128m的小文件，总大小9G，正常执行会

用194个map任务。

Map总共消耗的计算资源：SLOTS_MILLIS_MAPS=623,020

我通过以下方法来在map执行前合并小文件，减少map数：

setmapred.max.split.size=100000000;

setmapred.min.split.size.per.node=100000000;

setmapred.min.split.size.per.rack=100000000;

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

再执行上面的语句，用了74个map任务，map消耗的计算资源：

SLOTS_MILLIS_MAPS=333,500

对于这个简单SQL任务，执行时间上可能差不多，但节省了一半的计算资源。

大概解释一下，100000000表示100M,set

hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;这个参数表示

执行前进行小文件合并，

前面三个参数确定合并文件块的大小，大于文件块大小128m的，按照128m来分

隔，小于128m,大于100m的，按照100m来分隔，把那些小于100m的（包括小文件和

分隔大文件剩下的），

进行合并,最终生成了74个块。