DOOP中设置map个数

DOOP中设置map个数,第1张

   前言

  很多文档中描述,Mapper的数量在默认情况下不可直接控制干预,因为Mapper的数量由输入的大小和个数决定。在默认情况下,最终input占据了多少block,就应该启动多少个Mapper。如果输入的文件数量巨大,但是每个文件的size都小于HDFS的blockSize,那么会造成启动的Mapper等于文件的数量(即每个文件都占据了一个block),那么很可能造成启动的Mapper数量超出限制而导致崩溃。这些逻辑确实是正确的,但都是在默认情况下的逻辑。其实如果进行一些客户化的设置,就可以控制了。

  在Hadoop中,设置Map task的数量不像设置Reduce task数量那样直接,即:不能够通过API直接精确的告诉Hadoop应该启动多少个Map task。

  你也许奇怪了,在API中不是提供了接口org.apache.hadoop.mapred.JobConf.setNumMapTasks(int n)吗?这个值难道不可以设置Map task的数量吗?这个API的确没错,在文档上解释”Note: This is only a hint to the framework.“,即这个值对Hadoop的框架来说仅仅是个提示,不起决定性的作用。也就是说,即便你设置了,也不一定得到你想要的效果。

  1. InputFormat介绍

  在具体设置Map task数量之前,非常有必要了解一下与Map-Reduce输入相关的基础知识。

  这个接口(org.apache.hadoop.mapred.InputFormat)描述了Map-Reduce job的输入规格说明(input-specificaTIon),它将所有的输入文件分割成逻辑上的InputSplit,每一个InputSplit将会分给一个单独的mapper;它还提供RecordReader的具体实现,这个Reader从逻辑的InputSplit上获取input records并传给Mapper处理。

  InputFormat有多种具体实现,诸如FileInputFormat(处理基于文件的输入的基础抽象类), DBInputFormat(处理基于数据库的输入,数据来自于一个能用SQL查询的表),KeyValueTexTInputFormat(特殊的FineInputFormat,处理Plain Text File,文件由回车或者回车换行符分割成行,每一行由key.value.separator.in.input.line分割成Key和Value),CompositeInputFormat,DelegaTIngInputFormat等。在绝大多数应用场景中都会使用FileInputFormat及其子类型。

  通过以上的简单介绍,我们知道InputFormat决定着InputSplit,每个InputSplit会分配给一个单独的Mapper,因此InputFormat决定了具体的Map task数量。
 

  2. FileInputFormat中影响Map数量的因素

  在日常使用中,FileInputFormat是最常用的InputFormat,它有很多具体的实现。以下分析的影响Map数量的因素仅对FileInputFormat及其子类有效,其他非FileInputFormat可以去查看相应的 getSplits(JobConf job, int numSplits) 具体实现即可。

  请看如下代码段(摘抄自org.apache.hadoop.mapred.FileInputFormat.getSplits,hadoop-0.20.205.0源代码):

  [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:是整个Map-Reduce job所有输入的总大小。

  numSplits:来自job.getNumMapTasks(),即在job启动时org.apache.hadoop.mapred.JobConf.setNumMapTasks(int n)设置的值,给M-R框架的Map数量的提示。

  goalSize:是输入总大小与提示Map task数量的比值,即期望每个Mapper处理多少的数据,仅仅是期望,具体处理的数据数由下面的computeSplitSize决定。

  minSplitSize:默认为1,可由子类复写函数protected void setMinSplitSize(long minSplitSize) 重新设置。一般情况下,都为1,特殊情况除外。

  minSize:取的1和mapred.min.split.size中较大的一个。

  blockSize:HDFS的块大小,默认为64M,一般大的HDFS都设置成128M。

  splitSize:就是最终每个Split的大小,那么Map的数量基本上就是totalSize/splitSize。

  接下来看看computeSplitSize的逻辑:首先在goalSize(期望每个Mapper处理的数据量)和HDFS的block size中取较小的,然后与mapred.min.split.size相比取较大的。

  3. 如何调整Map的数量

  有了2的分析,下面调整Map的数量就很容易了。

  3.1 减小Map-Reduce job 启动时创建的Mapper数量

  当处理大批量的大数据时,一种常见的情况是job启动的mapper数量太多而超出了系统限制,导致Hadoop抛出异常终止执行。解决这种异常的思路是减少mapper的数量。具体如下:

  3.1.1 输入文件size巨大,但不是小文件

  这种情况可以通过增大每个mapper的input size,即增大minSize或者增大blockSize来减少所需的mapper的数量。增大blockSize通常不可行,因为当HDFS被hadoop namenode -format之后,blockSize就已经确定了(由格式化时dfs.block.size决定),如果要更改blockSize,需要重新格式化HDFS,这样当然会丢失已有的数据。所以通常情况下只能通过增大minSize,即增大mapred.min.split.size的值。

  3.1.2 输入文件数量巨大,且都是小文件

  所谓小文件,就是单个文件的size小于blockSize。这种情况通过增大mapred.min.split.size不可行,需要使用FileInputFormat衍生的CombineFileInputFormat将多个input path合并成一个InputSplit送给mapper处理,从而减少mapper的数量。具体细节稍后会更新并展开。

  3.2 增加Map-Reduce job 启动时创建的Mapper数量

  增加mapper的数量,可以通过减小每个mapper的输入做到,即减小blockSize或者减小mapred.min.split.size的值。

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/dianzi/2718137.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-08-17
下一篇 2022-08-17

发表评论

登录后才能评论

评论列表(0条)

保存