MapReduce中如何控制mapper的數量
很多文件中描述，Mapper的數量在預設情況下不可直接控制干預，因為Mapper的數量由輸入的大小和個數決定。在預設情況下，最終input佔據了多少block，就應該啟動多少個Mapper。如果輸入的檔案數量巨大，但是每個檔案的size都小於HDFS的blockSize，那麼會造成啟動的Mapper等於檔案的數量（即每個檔案都佔據了一個block），那麼很可能造成啟動的Mapper數量超出限制而導致崩潰。這些邏輯確實是正確的，但都是在預設情況下的邏輯。其實如果進行一些客戶化的設定，就可以控制了。
在Hadoop中，設定Map task的數量不像設定Reduce task數量那樣直接，即：不能夠通過API直接精確的告訴Hadoop應該啟動多少個Map task。
你也許奇怪了，在API中不是提供了介面org.apache.hadoop.mapred.JobConf.setNumMapTasks(int n)嗎？這個值難道不可以設定Map task的數量嗎？這個API的確沒錯，在文件上解釋”Note: This is only a hint to the framework.“，即這個值對Hadoop的框架來說僅僅是個提示，不起決定性的作用。也就是說，即便你設定了，也不一定得到你想要的效果。
1. InputFormat介紹
在具體設定Map task數量之前，非常有必要了解一下與Map-Reduce輸入相關的基礎知識。
這個介面（org.apache.hadoop.mapred.InputFormat）描述了Map-Reduce job的輸入規格說明（input-specification），它將所有的輸入檔案分割成邏輯上的InputSplit，每一個InputSplit將會分給一個單獨的mapper；它還提供RecordReader的具體實現，這個Reader從邏輯的InputSplit上獲取input records並傳給Mapper處理。
InputFormat有多種具體實現，諸如FileInputFormat（處理基於檔案的輸入的基礎抽象類）, DBInputFormat（處理基於資料庫的輸入，資料來自於一個能用SQL查詢的表）,KeyValueTextInputFormat
通過以上的簡單介紹，我們知道InputFormat決定著InputSplit，每個InputSplit會分配給一個單獨的Mapper，因此InputFormat決定了具體的Map task數量。
2. FileInputFormat中影響Map數量的因素
在日常使用中，FileInputFormat是最常用的InputFormat，它有很多具體的實現。以下分析的影響Map數量的因素僅對FileInputFormat及其子類有效，其他非FileInputFormat可以去檢視相應的 getSplits(JobConf job, int numSplits) 具體實現即可。
請看如下程式碼段（摘抄自org.apache.hadoop.mapred.FileInputFormat.getSplits，hadoop-0.20.205.0原始碼）：
[java] view plaincopy
- long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits);
- long minSize = Math.max(job.getLong("mapred.min.split.size", 1), minSplitSize);
- for (FileStatus file: files) {
- Path path = file.getPath();
- FileSystem fs = path.getFileSystem(job);
- if ((length != 0) && isSplitable(fs, path)) {
- long blockSize = file.getBlockSize();
- long splitSize = computeSplitSize(goalSize, minSize, blockSize);
- long bytesRemaining = length;
- while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
- String[] splitHosts = getSplitHosts(blkLocations,length-bytesRemaining, splitSize, clusterMap);
- splits.add(new FileSplit(path, length-bytesRemaining, splitSize, splitHosts));
- bytesRemaining -= splitSize;
- }
- if (bytesRemaining != 0) {
- splits.add(new FileSplit(path, length-bytesRemaining, bytesRemaining, blkLocations[blkLocations.length-1].getHosts()));
- }
- } else if (length != 0) {
- String[] splitHosts = getSplitHosts(blkLocations,0,length,clusterMap);
- splits.add(new FileSplit(path, 0, length, splitHosts));
- } else {
- //Create empty hosts array for zero length files
- splits.add(new FileSplit(path, 0, length, new String[0]));
- }
- }
- return splits.toArray(new FileSplit[splits.size()]);
- protected long computeSplitSize(long goalSize, long minSize, long blockSize) {
- return Math.max(minSize, Math.min(goalSize, blockSize));
- }
totalSize：是整個Map-Reduce job所有輸入的總大小。
numSplits：來自job.getNumMapTasks()，即在job啟動時用org.apache.hadoop.mapred.JobConf.setNumMapTasks(int n)設定的值，給M-R框架的Map數量的提示。
goalSize：是輸入總大小與提示Map task數量的比值，即期望每個Mapper處理多少的資料，僅僅是期望，具體處理的資料數由下面的computeSplitSize決定。
minSplitSize：預設為1，可由子類複寫函式protected void setMinSplitSize(long minSplitSize) 重新設定。一般情況下，都為1，特殊情況除外。
minSize：取的1和mapred.min.split.size中較大的一個。
blockSize：HDFS的塊大小，預設為64M，一般大的HDFS都設定成128M。
splitSize：就是最終每個Split的大小，那麼Map的數量基本上就是totalSize/splitSize。
接下來看看computeSplitSize的邏輯：首先在goalSize（期望每個Mapper處理的資料量）和HDFS的block size中取較小的，然後與mapred.min.split.size相比取較大的。
3. 如何調整Map的數量
有了2的分析，下面調整Map的數量就很容易了。
3.1 減小Map-Reduce job 啟動時建立的Mapper數量
當處理大批量的大資料時，一種常見的情況是job啟動的mapper數量太多而超出了系統限制，導致Hadoop丟擲異常終止執行。解決這種異常的思路是減少mapper的數量。具體如下：
這種情況可以通過增大每個mapper的input size，即增大minSize或者增大blockSize來減少所需的mapper的數量。增大blockSize通常不可行，因為當HDFS被hadoop namenode -format之後，blockSize就已經確定了（由格式化時dfs.block.size決定），如果要更改blockSize，需要重新格式化HDFS，這樣當然會丟失已有的資料。所以通常情況下只能通過增大minSize，即增大mapred.min.split.size的值。
所謂小檔案，就是單個檔案的size小於blockSize。這種情況通過增大mapred.min.split.size不可行，需要使用FileInputFormat衍生的CombineFileInputFormat將多個input path合併成一個InputSplit送給mapper處理，從而減少mapper的數量。具體細節稍後會更新並展開。
3.2 增加Map-Reduce job 啟動時建立的Mapper數量
增加mapper的數量，可以通過減小每個mapper的輸入做到，即減小blockSize或者減小mapred.min.split.size的值。