目錄

前言:

MapTask的并行度決定map階段的任務處理并發度，進而影響到整個job的處理速度。那么，MapTask并行實例是否越多越好呢？其并行度又是如何決定呢？

1、mapTask并行度的決定機制

一個job的map階段并行度由客戶端在提交job時決定，而客戶端對map階段并行度的規劃的基本邏輯為：
將待處理數據執行邏輯切片（即按照一個特定切片大小，將待處理數據劃分成邏輯上的多個split），然后每一個split分配一個mapTask并行實例處理。(注意切片和分塊的區別)

這段邏輯及形成的切片規劃描述文件，由FileInputFormat實現類的getSplits()方法完成，其過程如下圖：

FileInputFormat切片機制
1、切片定義在InputFormat類中的getSplit()方法
2、FileInputFormat中默認的切片機制：
a) 簡單地按照文件的內容長度進行切片
b) 切片大小，默認等于block大小
c) 切片時不考慮數據集整體，而是逐個針對每一個文件單獨切片
比如待處理數據有兩個文件：
file1.txt 320M
file2.txt 10M

經過FileInputFormat的切片機制運算后，形成的切片信息如下：
file1.txt.split1– 0~128
file1.txt.split2– 128~256
file1.txt.split3– 256~320
file2.txt.split1– 0~10M

FileInputFormat中切片的大小的參數配置（了解）
通過分析源碼，在FileInputFormat中，計算切片大小的邏輯：Math.max(minSize, Math.min(maxSize, blockSize)); 切片主要由這幾個值來運算決定
minsize：默認值：1 配置參數： mapreduce.input.fileinputformat.split.minsize
maxsize：默認值：Long.MAXValue 配置參數：mapreduce.input.fileinputformat.split.maxsize
blocksize
因此，默認情況下，切片大小=blocksize
maxsize（切片最大值）：
參數如果調得比blocksize小，則會讓切片變小，而且就等于配置的這個參數的值
minsize （切片最小值）：
參數調的比blockSize大，則可以讓切片變得比blocksize還大

選擇并發數的影響因素：
1、運算節點的硬件配置
2、運算任務的類型：CPU密集型還是IO密集型
3、運算任務的數據量

2、ReduceTask并行度的決定

reducetask的并行度同樣影響整個job的執行并發度和執行效率，但與maptask的并發數由切片數決定不同，Reducetask數量的決定是可以直接手動設置：

//默認值是1，手動設置為4
job.setNumReduceTasks(4);

如果數據分布不均勻，就有可能在reduce階段產生數據傾斜
注意： reducetask數量并不是任意設置，還要考慮業務邏輯需求，有些情況下，需要計算全局匯總結果，就只能有1個reducetask

盡量不要運行太多的reduce task。對大多數job來說，最好reduce的個數最多和集群中的reduce持平，或者比集群的 reduce slots小。這個對于小集群而言，尤其重要。

總結：

MapTask并行度由兩種情況：
1、當一個文件比較大時，每次切片128M為一個MapTask的任務量。被切分多少片就能由多少個MapTask。
2、當有多個小文件時，每個小文件可以看做是一個MapTask的任務量，有多少個小文件就有多少個MapTask。
PS：當然默認切片的大小可以自定義設置。
ReduceTask并行度可以在代碼中手動設置。