mapreduce 中MAP進程的數量怎么控制？

　　1、先上結論

　　1.如果想增加map個數，則設置mapred.map.tasks 為一個較大的值。

　　2.如果想減小map個數，則設置mapred.min.split.size 為一個較大的值。

　　3.如果輸入中有很多小文件，依然想減少map個數，則需要將小文件merger為大文件，然后使用準則2。

　　2、原理與分析過程

　　輸入分片（Input Split）：在進行map計算之前，mapreduce會根據輸入文件計算輸入分片（input split），每個輸入分片（input split）針對一個map任務，輸入分片（input split）存儲的并非數據本身，而是一個分片長度和一個記錄數據的位置的數組。

　　Hadoop 2.x默認的block大小是128MB，Hadoop 1.x默認的block大小是64MB，可以在hdfs-site.xml中設置dfs.block.size，注意單位是byte。

　　分片大小范圍可以在mapred-site.xml中設置，mapred.min.split.size mapred.max.split.size，minSplitSize大小默認為1B，maxSplitSize大小默認為Long.MAX_VALUE = 9223372036854775807

　　那么分片到底是多大呢？

　　minSize=max{minSplitSize，mapred.min.split.size}

　　maxSize=mapred.max.split.size

　　splitSize=max{minSize，min{maxSize，blockSize}}

　　我們再來看一下源碼

　　?

　　所以在我們沒有設置分片的范圍的時候，分片大小是由block塊大小決定的，和它的大小一樣。比如把一個258MB的文件上傳到HDFS上，假設block塊大小是128MB，那么它就會被分成三個block塊，與之對應產生三個split，所以最終會產生三個map task。我又發(fā)現(xiàn)了另一個問題，第三個block塊里存的文件大小只有2MB，而它的block塊大小是128MB，那它實際占用Linux file system的多大空間？

　　答案是實際的文件大小，而非一個塊的大小。

　　1、往hdfs里面添加新文件前，hadoop在linux上面所占的空間為 464 MB：

　　?

　　2、往hdfs里面添加大小為2673375 byte（大概2.5 MB）的文件：

　　2673375 derby.jar

　　3、此時，hadoop在linux上面所占的空間為 467 MB——增加了一個實際文件大小（2.5 MB）的空間，而非一個block size（128 MB）：

　　?

　　4、使用hadoop dfs -stat查看文件信息：

　?

　　這里就很清楚地反映出： 文件的實際大?。╢ile size）是2673375 byte， 但它的block size是128 MB。

　　5、通過NameNode的web console來查看文件信息：

?

　　結果是一樣的： 文件的實際大?。╢ile size）是2673375 byte， 但它的block size是128 MB。

　　6、不過使用‘hadoop fsck’查看文件信息，看出了一些不一樣的內容—— ‘1（avg.block size 2673375 B）’：

　?

　　值得注意的是，結果中有一個 ‘1（avg.block size 2673375 B）’的字樣。這里的 ‘block size’ 并不是指平常說的文件塊大?。˙lock Size）—— 后者是一個元數據的概念，相反它反映的是文件的實際大?。╢ile size）。

　　最后一個問題是： 如果hdfs占用Linux file system的磁盤空間按實際文件大小算，那么這個”塊大小“有必要存在嗎？

　　其實塊大小還是必要的，一個顯而易見的作用就是當文件通過append操作不斷增長的過程中，可以通過來block size決定何時split文件。

　　補充：

　　一個split的大小是由goalSize， minSize， blockSize這三個值決定的。computeSplitSize的邏輯是，先從goalSize和blockSize兩個值中選出最小的那個（比如一般不設置map數，這時blockSize為當前文件的塊size，而goalSize是文件大小除以用戶設置的map數得到的，如果沒設置的話，默認是1）。

　　hadooop提供了一個設置map個數的參數mapred.map.tasks，我們可以通過這個參數來控制map的個數。但是通過這種方式設置map的個數，并不是每次都有效的。原因是mapred.map.tasks只是一個hadoop的參考數值，最終map的個數，還取決于其他的因素。

　　為了方便介紹，先來看幾個名詞：

　　block_size ： hdfs的文件塊大小，默認為64M，可以通過參數dfs.block.size設置

　　total_size ： 輸入文件整體的大小

　　input_file_num ： 輸入文件的個數

　?。?）默認map個數

　　如果不進行任何設置，默認的map個數是和blcok_size相關的。

　　default_num = total_size / block_size;

　?。?）期望大小

　　可以通過參數mapred.map.tasks來設置程序員期望的map個數，但是這個個數只有在大于default_num的時候，才會生效。

　　goal_num = mapred.map.tasks;

　　（3）設置處理的文件大小

　　可以通過mapred.min.split.size 設置每個task處理的文件大小，但是這個大小只有在大于block_size的時候才會生效。

　　split_size = max（mapred.min.split.size， block_size）;

　　split_num = total_size / split_size;

　?。?）計算的map個數

　　compute_map_num = min（split_num， max（default_num， goal_num））

　　除了這些配置以外，mapreduce還要遵循一些原則。 mapreduce的每一個map處理的數據是不能跨越文件的，也就是說min_map_num 》= input_file_num。 所以，最終的map個數應該為：

　　final_map_num = max（compute_map_num， input_file_num）

　　經過以上的分析，在設置map個數的時候，可以簡單的總結為以下幾點：

　　（1）如果想增加map個數，則設置mapred.map.tasks 為一個較大的值。

　　（2）如果想減小map個數，則設置mapred.min.split.size 為一個較大的值。

　　（3）如果輸入中有很多小文件，依然想減少map個數，則需要將小文件merger為大文件，然后使用準則2。