Hadoop map与reduce数量

MapReduce框架将文件分为多个splits，并为每个splits创建一个Mapper，所以Mappers的个数直接由splits的数目决定。而Reducers的数目可以通过job.setNumReduceTasks()函数设置，默认情况只有一个Reducer。在真正的集群环境下，如果默认，那么所有的中间数据会发送给唯一的Reducer，导致任务变得非常缓慢。究竟设多少个Reducers合适呢？为了解决这个问题，首先来了解一下slots的概念。

slots有点类似一个资源池，每个任务（map和reduce）执行时都必须获得一个slot才能继续，否则只能等待。当一个任务完成后，该任务就归还slot，这个过程有点类似释放资源到资源池中。显然，每一个获得资源的任务都可以立即执行，无需等待。另一方面，mapreduce的任务由tasktracker节点负责执行的，所以slots可进一步理解为tasktrackers能够并发执行多个任务。slots分为mapper slots和reducer slots，分别对应最大可并行执行的mapper和reducer数。用户可以通过修改mapred-site.xml配置文件的mapred.tasktracker.map.tasks.maxmum来设置slots的值，默认为2.

集群中可用rducer slots 的总数等于集群中的总结点数诚意每个节点有多少个slots。reducers 数目的最佳值和reducer slots的总数有关，通常情况下，让reducers的数目略小于reducer slots的总数，这样的目的：首先reducers可以并行执行，减少排队时间；其次对于未执行reducer的slots可以在其他reducer发生故障时，立即分配给新创建的reducer，不会明显 加长任务总时间。

如果出现reducers》mappers的情况就不合理了，这样有些mappers会工作消耗资源开销，但是对任务没有任何帮助。

每个reduce输出一个结果文件，有多少reduce就会有多少输出文件，然后会有一些其他文件。不会合并的，导出的时候可以用命令行进行合并
hadoop fs -getmerge将数据导出时可以将结果文件合并成一个 。通常情况下你可以你可以启动另一个MR来合并，第一次MR产生多个文件，第二个MR设定一个REDUCE只是简单的合并不做任何数据处理，通常也会很快。

Hadoop的mapreduce 的作业在运行过程中常常碰到一些这样的情况：

每一个map或者reduce只有30-40秒钟就结束

超大规模的job 时，通常会需要大量的map和reduce的slots 支持，但是job运行起来后，running的map和reduce并没有沾满集群的可用slots

当几乎所有的map和 reducers都在调度系统 中运行着，此时却有一个或者两个pending的map或者reduce，一直不跑，使得job一直无法正常结束。

对一个job的map数和reduce数的设定对一个job的运行是非常重要的，并且非常简单。以下是一些设置 这几个值的经验总结：

如果job的每个map或者 reduce task的运行时间都只有30-40秒钟，那么就减少该job的map或者reduce数，每一个task(map|reduce)的setup和加入到调度器中进行调度，这个中间的过程可能都要花费几秒钟，所以如果每个task都非常快就跑完了，就会在task的开始和结束的时候浪费太多的时间。JVM 的reuse方式也可以解决 这个问题。

如果某个input的文件 非常的大，比如 1TB，可以考虑将hdfs上的每个block size设大，比如设成256MB或者512MB，这样map和reduce的数据 可以减小。而且用户还可以通过命令 ：hadoop distcp -Ddfs.block.size=$[256*1024*1024] /path/to/inputdata /path/to/inputdata-with-largeblocks的方式来将已经存在咋hdfs上的数据进行大块化。然后删除掉原先的文件。

只要每个task都运行至少30-40秒钟，就可以考虑将mapper数扩大，比如集群的map slots为100个，那么就不要将一个job的mapper设成101，这样前100个map能够并行完成，而最后一个map要在前100个 mapper结束后才开始，因此在reduce开始运行前，map阶段的时间几乎就要翻倍。

尽量不要运行太多的reduce task。对大多数job来说，最好rduce的个数最多和集群中的reduce持平，或者比集群的 reduce slots小。这个对于小集群而言，尤其重要。

测试对比:

调整运行参数（ -Dmapred.max.split.size=$[16*1024*1024] ），或者在配置文件中对将 mapred.max.split.size设置成$[16*1024*1024] ，hadoop 中的wordcount任务的mapper数就会受到用户控制。当运行这种配置的任务时，每个task都会在10秒钟之内运行完，而从 jobtracker的webui上可以看到cluster的总体情况和job的情况，其中可以看到，running的map数频繁的在0-24之间波动。整个job17分52秒完成，比使用原始配置的job的运行时间的两倍还多。

转自http://www.linuxidc.com/Linux/2012-05/60782.htm
http://www.2cto.com/os/201312/263998.html