Mapreduce和Hive中map reduce个数设定

        Mapreduce中mapper个数的确定

　　1)Mapreduce中mapper个数的确定： 在map阶段读取数据前，FileInputFormat会将输入文件分割成split。split的个数决定了map的个数。 影响map个数，即split个数的因素主要有： 1）HDFS块的大小，即HDFS中dfs.block.size的值。如果有一个输入文件为1024m，当块为256m时，会被划分为4个split；当块为128m时，会被划分为8个split。

　　2）文件的大小。当块为128m时，如果输入文件为128m，会被划分为1个split；当块为256m，会被划分为2个split。

　　3）文件的个数。FileInputFormat按照文件分割split，并且只会分割大文件，即那些大小超过HDFS块的大小的文件。如果HDFS中dfs.block.size设置为64m，而输入的目录中文件有100个，则划分后的split个数至少为100个。

　　4）splitsize的大小。分片是按照splitszie的大小进行分割的，一个split的大小在没有设置的情况下，默认等于hdfs block的大小。但应用程序可以通过两个参数来对splitsize进行调节。 Mapper个数的计算如下：

　　Step1，splitsize=max（minimumsize，min（maximumsize，blocksize））。 如果没有设置minimumsize和maximumsize，splitsize的大小默认等于blocksize

　　Step2，计算过程可以简化为如下的公式，详细算法可以参照FileInputSplit类中的getSplits方法

　　total_split for（file ：输入目录中的每个文件）

　　{ file_split = 1;

　　if（file.size》splitsize）

　　{ file_split=file_size/splitsize;

　　}

　　total_split+=file_split; }

　　Mapreduce中Reducer个数确定：

　　1，在缺省情况下，一个mapreduce的job只有一个reducer；在大型集群中，需要使用许多reducer，中间数据都会放到一个reducer中处理，如果reducer数量不够，会成为计算瓶颈。 2，reducer的最优个数与集群中可用的reducer的任务槽数相关，一般设置比总槽数稍微少一些的reducer数量；Hadoop文档中推荐了两个公式： 0.95*NUMBER_OF_NODES*mapred.tasktracker.reduce.tasks.maximum 1.75*NUMBER_OF_NODES*mapred.tasktracker.reduce.tasks.maximum

　　备注：NUMBER_OF_NODES是集群中的计算节点个数； mapred.tasktracker.reduce.tasks.maximum：每个节点所分配的reducer任务槽的个数（节点内核数）；

　　2，在代码中通过：JobConf.setNumReduceTasks（Int numOfReduceTasks）方法设置reducer的个数；

　　Hive job相关参数配置和mapreduce数目控制

　　在 hive\conf\hive_site.xml中配置如下性能调优项：

　　开启动态分区： hive.exec.dynamic.parTITIon=true

　　默认值：false

　　描述：是否允许动态分区 hive.exec.dynamic.parTITIon.mode=nonstrict

　　默认值：strict

　　描述：strict是避免全分区字段是动态的，必须有至少一个分区字段是指定有值的。

　　读取表的时候可以不指定分区。 hive.exec.max.dynamic.partitions.pernode=100

　　默认值：100

　　描述：each mapper or reducer可以创建的最大动态分区数 hive.exec.max.dynamic.partitions=1000

　　默认值：1000

　　描述：一个DML *** 作可以创建的最大动态分区数 hive.exec.max.created.files=100000 默认值：100000

　　描述：一个DML *** 作可以创建的文件数 设置如下参数取消一些限制（HIVE 0.7后没有此限制）： hive.merge.mapfiles=false

　　默认值：true

　　描述：是否合并Map的输出文件，也就是把小文件合并成一个map hive.merge.mapredfiles=false

　　默认值：false

　　描述：是否合并Reduce的输出文件，也就是在Map输出阶段做一次reduce *** 作，再输出 hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; 表示执行前进行小文件合并 配置如下参数，可以开启Hive的本地模式： hive.exec.mode.local.auto=true;（默认为false） 自0.7版本后Hive开始支持任务执行选择本地模式（local mode），如此一来，对数据量比较小的 *** 作，就可以在本地执行，这样要比提交任务到集群执行效率要快很多。

　　mapred.reduce.tasks; 设置当前Session的map，reduce 的个数，默认值是-1，为系统自动匹配。

　　一、控制hive任务中的map数：

　　1. 通常情况下，作业会通过input的目录产生一个或者多个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（hadoop\hdfs_site.xml中dfs.block.size的值;在HIVE中用set dfs.block.size命令查看到，该参数在HIVE中不能自定义修改）；

　　2. 举例：

　　a） 假设input目录下有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目录下有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。比如有一个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：

　　Select count（1） from popt_tbaccountcopy_mes where pt = ‘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通过以下方法来在map执行前合并小文件，减少map数：

　　set mapred.max.split.size=100000000;

　　set mapred.min.split.size.per.node=100000000;

　　set mapred.min.split.size.per.rack=100000000;

　　set hive.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。 如何适当的增加map数？ 当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数， 来使得每个map处理的数据量减少，从而提高任务的执行效率。 假设有这样一个任务：

　　Select data_desc，

　　count（1），

　　count（distinct id），

　　sum（case when …）， sum（case when 。。.），

　　sum（…） from a group by data_desc

　　如果表a只有一个文件，大小为120M，但包含几千万的记录， 如果用1个map去完成这个任务，肯定是比较耗时的， 这种情况下，我们要考虑将这一个文件合理的拆分成多个， 这样就可以用多个map任务去完成。

　　set mapred.reduce.tasks=10;

　　create table a_1 as select * from a distribute by rand（123）;

　　这样会将a表的记录，随机的分散到包含10个文件的a_1表中，再用a_1代替上面sql中的a表，则会用10个map任务去完成。 每个map任务处理大于12M（几百万记录）的数据，效率肯定会好很多。 看上去，貌似这两种有些矛盾，一个是要合并小文件，一个是要把大文件拆成小文件，这点正是重点需要关注的地方， 根据实际情况，控制map数量需要遵循两个原则：使大数据量利用合适的map数；使单个map任务处理合适的数据量；

　　二、控制hive任务的reduce数： 　　1. Hive自己如何确定reduce数：

　　reduce个数的设定极大影响任务执行效率，不指定reduce个数的情况下（mapred.reduce.tasks = -1），Hive会猜测确定一个reduce个数，基于以下两个设定： hive.exec.reducers.bytes.per.reducer（每个reduce任务处理的数据量，默认为1000^3=1G） hive.exec.reducers.max（每个任务最大的reduce数，默认为999） 计算reducer数的公式很简单N=min（参数2，总输入数据量/参数1） 即，如果reduce的输入（map的输出）总大小不超过1G，那么只会有一个reduce任务；如： select pt，count（1） from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt; /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04 总大小为9G多， 因此这句有10个reduce

　　2. 调整reduce个数方法一：

　　调整hive.exec.reducers.bytes.per.reducer参数的值；

　　set hive.exec.reducers.bytes.per.reducer=500000000; （500M） select pt，count（1） from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt; 这次有20个reduce 3.调整reduce个数方法二：

　　set mapred.reduce.tasks = 15; select pt，count（1） from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt;这次有15个reduce

　　3. reduce个数并不是越多越好； 同map一样，启动和初始化reduce也会消耗时间和资源； 另外，有多少个reduce，就会有多少个输出文件，如果生成了很多个小文件， 那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；

　　什么情况下只有一个reduce?

　　很多时候你会发现任务中不管数据量多大，不管你有没有设置调整reduce个数的参数，任务中一直都只有一个reduce任务； 其实只有一个reduce任务的情况，除了数据量小于hive.exec.reducers.bytes.per.reducer参数值的情况外，还有以下原因：

　　a） 没有group by的汇总，比如把select pt，count（1） from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt;

　　写成 select count（1） from popt_tbaccountcopy_mes where pt = ‘2012-07-04’;

　　b）用了Order by

　　有笛卡尔积

　　通常这些情况下，除了找办法来变通和避免，我暂时没有什么好的办法， 因为这些 *** 作都是全局的，所以hadoop不得不用一个reduce去完成；

　　同样的，在设置reduce个数的时候也需要考虑这两个原则： 使大数据量利用合适的reduce数；使单个reduce任务处理合适的数据量。 hive.exec.parallel参数控制在同一个sql中的不同的job是否可以同时运行，默认为false.

　　下面是对于该参数的测试过程：

　　测试sql： select r1.a from （ select t.a from sunwg_10 t join sunwg_10000000 s on t.a=s.b） r1 join （select s.b from sunwg_100000 t join sunwg_10 s on t.a=s.b） r2 on （r1.a=r2.b）;

　　当参数为false的时候，三个job是顺序的执行 set hive.exec.parallel=false， 但是可以看出来其实两个子查询中的sql并无关系，可以并行的跑 set hive.exec.parallel=true; 总结： 在资源充足的时候hive.exec.parallel会让那些存在并发job的sql运行得更快，但同时消耗更多的资源可以评估下hive.exec.parallel对我们的刷新任务是否有帮助。