Hadoop框架下MapReduce中的map个数如何控制

一个job的map阶段并行度由客户端在提交job时决定

客户端对map阶段并行度的规划基本逻辑为：

一、将待处理的文件进行逻辑切片（根据处理数据文件的大小，划分多个split），然后每一个split分配一个maptask并行处理实例

二、具体切片规划是由FileInputFormat实现类的getSplits()方法完成

切分规则如下：

1.简单地按照文件的内容长度进行切片

2.切片大小默认是datanode的切块大小128M

3.切片时不是考虑一个整体数据集，而是针对每一个文件单独切片

　　比如待处理数据有两个文件：

　　 　file1.txt 200M

　　　file2.txt 50M

　　经过FileInputFormat的切片机制运算后，形成的切片信息如下：

　　　file1.txt.split1– 0~128M —–maptask

　　　file1.txt.split2– 128M~200M —–maptask

　　　file2.txt.split1– 0~50M —–maptask

三、如何改变切片大小（参数设置）

源码是通过这个方法来规划切片大小的

protected long computeSplitSize(long blockSize, long minSize,
                                  long maxSize) {
    return Math.max(minSize, Math.min(maxSize, blockSize));
  }

minsize：默认值：1；配置参数： mapreduce.input.fileinputformat.split.minsize   
    maxsize：默认值：Long.MAXValue；  配置参数：mapreduce.input.fileinputformat.split.maxsize
    blocksize：hdfs切片大小

调整切片大小结论：

maxsize（切片最大值）：

　　参数如果调得比blocksize小，则会让切片变小，而且就等于配置的这个参数的值

minsize （切片最小值）：

　　参数调的比blockSize大，则可以让切片变得比blocksize还大

控制map个数的核心源码

long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
//getFormatMinSplitSize 默认返回1，getMinSplitSize 为用户设置的最小分片数, 如果用户设置的大于1，则为用户设置的最小分片数
long maxSize = getMaxSplitSize(job);
//getMaxSplitSize为用户设置的最大分片数，默认最大为long 9223372036854775807L
long splitSize = computeSplitSize(blockSize, minSize,
                            maxSize);
protected long computeSplitSize(long blockSize, long minSize, long maxSize) {
        return Math.max(minSize, Math.min(maxSize, blockSize));
    }

由上述代码可以看出在

maxSize默认等于long（长整形）

blockSize默认在hadoop2.0之后为128M

minSize默认等于1

因此默认的切片大小splitSize等于128M也就是说等于块大小

一个切片对应于一个map任务，因此在默认情况下一个块对应于一个map任务。

要想人为控制map的个数可以从minSize和MaxSize入手。

想要增加map的个数，可以将maxSize调整小于blockSize；想要减小map的个数，可以调整minSize>blockSize。

具体调整可以在job配置中增加如下配置

FileInputFormat.setMinInputSplitSize(job, 301349250);//设置minSize

FileInputFormat.setMaxInputSplitSize(job, 10000);//设置maxSize

在实验中，

测试 文件大小 297M(311349250)

块大小128M

测试代码

FileInputFormat.setMinInputSplitSize(job, 301349250);

FileInputFormat.setMaxInputSplitSize(job, 10000);

测试后Map个数为1，由上面分片公式算出分片大小为301349250, 比 311349250小， 理论应该为两个map,  这是为什么呢？在上源码

while (bytesRemaining / splitSize > 1.1D) {
                        int blkIndex = getBlockIndex(blkLocations, length
                                - bytesRemaining);
                        splits.add(makeSplit(path, length - bytesRemaining,
                                splitSize, blkLocations[blkIndex].getHosts()));
                        bytesRemaining -= splitSize;
                    }

可以看出只要剩余的文件大小不超过分片大小的1.1倍， 则会分到一个分片中，避免开两个MAP， 其中一个运行数据太小，浪费资源。

总结，分片过程大概为，先遍历目标文件，过滤部分不符合要求的文件， 然后添加到列表，然后按照文件名来切分分片 （大小为前面计算分片大小的公式, 最后有个文件尾可能合并，其实常写网络程序的都知道）， 然后添加到分片列表，然后每个分片读取自身对应的部分给MAP处理