Hive中Map任务和Reduce任务数量计算原理

Hive中Map任务和Reduce任务数计算原理

MapReduce原理

• Map阶段（以FileInputFormat为例）
  步骤：map, partition, sort, combiner

  • InputFormat负责计算分片，一个分片对应一个Map任务，InputFormat而且还负责创建RecordReader，通过RecordReader的next()方法，然后循环调用map()方法
  • map()方法的输入为一行文本，处理的结果先是写到内存缓冲区，达到阈值之后，溢写到磁盘，如果多次溢出，则会有多个溢出文件，这些溢出文件经过了分区，排序，而且还可能作过Combiner，map任务结束之后，多个溢出文件会合并成一个，结果写在本地

• Reduce阶段
  步骤：copy, sort, reduce

  • reduce阶段先会进行copy，如果copy过来的文件很小，则直接copy到内存中，如果文件较大，则copy到磁盘
  • copy完成之后，会进行一个归并，由于在map端已经作过排序，所以，归并其实是在将多个有序的文件合并成一个有序的文件，这个文件中，一个key会生成一条记录，value为这个key对应的数组
  • 对归并后的文件循环调用reduce()方法，对每个key进行处理。

Map数量

hive的Map数量与分片大数量一致，一个分片生成一个Map任务，分片不是数据本身，是记录了数据的位置和长度，长度用于考虑优先运行，位置用于查找数据，一个分片大小的计算取决于使用的InputFormat（具体使用哪个Inputformat可以在执行计划中查看到），不同的InputFormat计算分片的逻辑可能有所不同。

Hadoop程序中，对于FileInputformat，分片的计算方式为：

• 分片大小splitSize=Math.max(minSize, Math.min(goalSize, blockSize));
• long goalSize = totalSize / (numSplits == 0 ? 1 : numSplits);，totalSize为输入文件的总大小，numSplits为用户配置的map数量（mapreduce.job.maps)
• minSize，用户配置的最小分片大小
• blockSize，文件块大小，默认128M

如果小文件太多，默认情况下会生成太多的map，这样很影响效率，所以，对于CombineFileInputFormat，根据节点和机架的因素，会把多个小文件合并成一个分片，生成更少的map数

配置解释：

• mapreduce.input.fileinputformat.split.maxsize，分片的最大size，默认256000000，即256Mb
• mapreduce.input.fileinputformat.split.minsize.per.node，最小分片大小，单位byte，默认大小1，如果想配置成256Mb，则为256 * 1000 * 1000，需要注意配置？？？
• mapreduce.input.fileinputformat.split.minsize.per.rack
• mapreduce.job.maps，每个jobe的map任务数量，默认2

Map任务数量调整策略

影响Map数量的因素：文件大小，文件数量，块大小，配置的Map数量，`InputFormat`类
- 调大Map数量
  - 调小`mapreduce.input.fileinputformat.split.maxsize`（`mapred.max.split.size`已过时），当值小于`blockSize`时才有效

- 调小Map数量
  - 调大`mapreduce.input.fileinputformat.split.minsize.per.node`和`mapreduce.input.fileinputformat.split.minsize.per.rack`，当这二者的值大于blockSize才有效，此时最好配合使用`mapreduce.job.max.split.locations`（表示分片最大的location，默认大小为10，表示一个map处理的split的文件不能超过10个节点），如果超过10，则可能会导致数据错误

Reduce数量

Reduce任务的数量，首先是取用户设置的配置reduce数量，如果在没有指定数量的时候，是由程序自动估算出来的，具体情况如下：

1、Map Join的时候，没有reduce数量
2、如果有配置mapreduce.job.reduces，则使用这个值作为reduce数量
3、如果没有配置mapreduce.job.reduces，则进行reduce估算过程，具体的估算过程如下

• 获取bytesPerReducer，由hive.exec.reducers.bytes.per.reducer配置，默认256Mb
• 获取maxReducers，由hive.exec.reducers.max配置，默认1009
• 计算samplePercentage
• 计算totalInputFileSize，总的输入文件的大小
• 计算powersOfTwo，如果使用bucket，并且hive.exec.infer.bucket.sort.num.buckets.power.two=true时才生效，默认这个值为false
  再根据以下判断逻辑计算出最终的估算的reduce数量：

	double bytes = Math.max(totalInputFileSize, bytesPerReducer);
    int reducers = (int) Math.ceil(bytes / bytesPerReducer);
    reducers = Math.max(1, reducers);
    reducers = Math.min(maxReducers, reducers);

因此，从公式中可以得出，影响reduce数量的因素包括：输入总大小，每个reduce处理的数据量
reduce的数量与分区没有关系，但最终生成的文件数量与分区有关系，在没有合并reduce的输出的情况下，reduce生成的文件数量等于分区数量或reduce数量

配置解释：

• hive.exec.reducers.bytes.per.reducer，每个reduce处理的size，默认256Mb
• mapreduce.job.reduces，reduce数量，默认为1
• hive.exec.reducers.max，reduce任务的最大数量，默认1009

reduce数量调整策略

• 调大reduce数量
  • 调大mapreduce.job.reduces，但是要注意，如果这个值太多，会生成多余的空文件，会浪费reduce资源，比如，分区只有20，但这个reduce数量调成30，则会申请30个reduce， 但实际只有20个有用。
  • 调小hive.exec.reducers.bytes.per.reducer，但注意不要调太小，否则容易生成太多小文件

注意：调大reduce的数量，并不等价于提高了并发度，有可能只是多起了reduce的个数，但依然像之前那样倾斜

• 调小reduce数量
  • 调小mapreduce.job.reduces，可能会影响并行度
  • 调大hive.exec.reducers.bytes.per.reducer，但会增加每个reduce的压力
  • 调小hive.exec.reducers.max