MapReduce中map并行度优化及源码分析

MapReduce中map并行度优化及源码分析


mapTask并行度的决定机制

一个job的map阶段并行度由客户端在提交job时决定,而客户端对map阶段并行度的规划的基本逻辑为:将待处理数据执行逻辑切片(即按照一个特定切片大小,将待处理数据划分成逻辑上的多个split),然后每一个split分配一个mapTask并行实例处理。

FileInputFormat切片机制

  1. 默认切片定义在InputFormat类中的getSplit()方法:
  1. FileInputFormat中默认的切片机制:
  • a. 简单地按照文件的内容长度进行切片
  • b. 切片大小,默认等于hdfs的block大小
  • c. 切片时不考虑数据集整体,而是逐个针对每一个文件单独切片

比如待处理数据有两个文件:

file1.txt   260MB
file2.txt   10MB

经过FileInputFormat的切片机制运算后,形成的切片信息如下(blockSize=128MB):

file1.txt   split1    0~128
file1.txt   split2  128~260 (如果剩余文件长度/切片长度<=1.1,则会将剩余文件合并为一个切片)
file2.txt   split1    0~10
  1. FileInputFormat中切片的大小的参数配置
    通过分析源码,在FileInputFormat中,计算切片大小的逻辑:Math.max(minSize, Math.min(maxSize, blockSize));
    切片主要由这几个值来运算决定。
minsize:默认值:1  
    配置参数:mapreduce.input.fileinputformat.split.minsize    

maxsize:默认值:Long.MAXValue  
    配置参数:mapreduce.input.fileinputformat.split.maxsize

blocksize:值为hdfs的对应文件的blocksize

配置读取目录下文件数量的线程数:public static final String LIST_STATUS_NUM_THREADS ="mapreduce.input.fileinputformat.list-status.num-threads";

因此,默认情况下,Math.max(minSize, Math.min(maxSize, blockSize));切片大小=blocksize
maxsize(切片最大值):参数调的比blocksize小,则会让切片变小( minsize (切片最小值):参数调的比blockSize大,则会让切片变大(>blocksize)。

选择并发数的影响因素:

  1. 运算节点的硬件配置
  2. 运算任务的类型:CPU密集型还是IO密集型
  3. 运算任务的数据量

hadoop2.6.4源码解析

org.apache.hadoop.mapreduce.JobSubmitter类

//得到job的map任务的并行数量
private int writeSplits(org.apache.hadoop.mapreduce.JobContext job,Path jobSubmitDir) throws IOException,InterruptedException, ClassNotFoundException {
    JobConf jConf = (JobConf)job.getConfiguration();
    int maps;
    if (jConf.getUseNewMapper()) {
      maps = writeNewSplits(job, jobSubmitDir);
    } else {
      maps = writeOldSplits(jConf, jobSubmitDir);
    }
    return maps;
}
  
@SuppressWarnings("unchecked")
private  int writeNewSplits(JobContext job, Path jobSubmitDir) throws IOException,InterruptedException, ClassNotFoundException {
    Configuration conf = job.getConfiguration();
    InputFormat input = ReflectionUtils.newInstance(job.getInputFormatClass(), conf); 
    List splits = input.getSplits(job);
    T[] array = (T[]) splits.toArray(new InputSplit[splits.size()]);
    // sort the splits into order based on size, so that the biggest
    // go first
    Arrays.sort(array, new SplitComparator());
    JobSplitWriter.createSplitFiles(jobSubmitDir, conf, jobSubmitDir.getFileSystem(conf), array);
    return array.length;
}

切片计算逻辑。

public List getSplits(JobContext job) throws IOException {
    Stopwatch sw = new Stopwatch().start();
    // getFormatMinSplitSize()方法返回值为1
    // getMinSplitSize()方法返回值为job参数'mapreduce.input.fileinputformat.split.minsize'的值(默认为1)  
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
    
    // getMaxSplitSize()方法返回值为job参数'mapreduce.input.fileinputformat.split.maxsize'的值(默认为long类型的最大值)
    long maxSize = getMaxSplitSize(job);

    // 以下代码可以看出,新的API并未计算总文件的大小,也没用到job中设置的map的个数
    // generate splits
    List splits = new ArrayList();
    List files = listStatus(job);
   // 遍历文件,对每一个文件进行如下处理:获得文件的blocksize,获取文件的长度,得到切片信息(spilt 文件路径,切片编号,偏移量范围)
    for (FileStatus file: files) {
        Path path = file.getPath();
        long length = file.getLen();
        if (length != 0) {
            BlockLocation[] blkLocations;
            if (file instanceof LocatedFileStatus) {
                blkLocations = ((LocatedFileStatus) file).getBlockLocations();
            } else {
                FileSystem fs = path.getFileSystem(job.getConfiguration());
                blkLocations = fs.getFileBlockLocations(file, 0, length);
        }
        if (isSplitable(job, path)) {
            // 这里和旧的API一样.取hadoop文件块大小.这里注意,如果一个文件小于blockSize,那这个文件不会占用整个存储空间(blockSize)的。
            long blockSize = file.getBlockSize();
            
            long splitSize = computeSplitSize(blockSize, minSize, maxSize);
            long bytesRemaining = length;
            while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
                int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
                splits.add(makeSplit(path, length-bytesRemaining, splitSize, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts()));
                bytesRemaining -= splitSize;
          }

          if (bytesRemaining != 0) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
                       blkLocations[blkIndex].getHosts(),
                       blkLocations[blkIndex].getCachedHosts()));
          }
        } else { // not splitable
          splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
                      blkLocations[0].getCachedHosts()));
        }
      } else { 
        //Create empty hosts array for zero length files
        splits.add(makeSplit(path, 0, length, new String[0]));
      }
    }
    // Save the number of input files for metrics/loadgen
    job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
    sw.stop();
    if (LOG.isDebugEnabled()) {
      LOG.debug("Total # of splits generated by getSplits: " + splits.size()
          + ", TimeTaken: " + sw.elapsedMillis());
    }
    return splits;
  }

computeSplitSize()方法以及各参数的设置值

public static final String SPLIT_MINSIZE = "mapreduce.input.fileinputformat.split.minsize";
public static final String SPLIT_MAXSIZE = "mapreduce.input.fileinputformat.split.maxsize";
    
long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));   
// 保证切分的文件长度最小不得小于1字节
protected long getFormatMinSplitSize() {
    return 1;
}  
// 如果没有在conf中设置SPLIT_MINSIZE参数,则取默认值1字节。
public static long getMinSplitSize(JobContext job) {
    return job.getConfiguration().getLong(SPLIT_MINSIZE, 1L);
}
 
// 得到切片文件的最大长度
long maxSize = getMaxSplitSize(job);
  
// 如果没有在conf中设置SPLIT_MAXSIZE参数,则取默认值Long.MAX_VALUE字节。
public static long getMaxSplitSize(JobContext context) {
    return context.getConfiguration().getLong(SPLIT_MAXSIZE, Long.MAX_VALUE);
}
  
// 读取指定目录下的所有文件的信息
List files = listStatus(job);
// 如果没有指定开启几个线程读取,则默认一个线程去读文件信息,因为存在目录下有上亿个文件的情况,所以有需要开启多个线程加快读取。
int numThreads = job.getConfiguration().getInt(LIST_STATUS_NUM_THREADS,DEFAULT_LIST_STATUS_NUM_THREADS);
public static final String LIST_STATUS_NUM_THREADS = "mapreduce.input.fileinputformat.list-status.num-threads";
public static final int DEFAULT_LIST_STATUS_NUM_THREADS = 1;
  
/**
  * 最后在这里决定splitSize。computeSplitSize()方法就是取maxSize和blockSize中小的一个,然后再和minSize比,取大的一个。
  * minSize如果未设置的话,就是1,maxSize如果未设置,那就是long的最大值,那肯定比blockSize大,那splitSize=blockSize,那就是一个blockSize一个map了
  * 如果设置了mapreduce.input.fileinputformat.split.maxsize的值,比blockSize要小,那么splitSize=maxSize(goal_num=fileSize/blockSize)
  * 如果设置了mapreduce.input.fileinputformat.split.minsize的值,比blockSize要大,那么splitSize=minSize>blockSize,则map的数量减少(split_num=fileSize/minSize)<(goal_num=fileSize/blockSize)
  */
long splitSize = computeSplitSize(blockSize, minSize, maxSize);
protected long computeSplitSize(long blockSize, long minSize, long maxSize) {
    return Math.max(minSize, Math.min(maxSize, blockSize));
}
  
private static final double SPLIT_SLOP = 1.1;   // 10% slop
// 判断剩余文件与切片大小的比是否为1.1.
while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
    int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
    splits.add(makeSplit(path, length-bytesRemaining, splitSize, blkLocations[blkIndex].getHosts(), blkLocations[blkIndex].getCachedHosts()));
    bytesRemaining -= splitSize;
}

map并行度

如果job的每个map或者reduce的task的运行时间都只有30-40秒钟(最好每个map的执行时间最少不低于一分钟),那么就减少该job的map或者reduce数。每一个task的启动和加入到调度器中进行调度,这个中间的过程可能都要花费几秒钟,所以如果每个task都非常快就跑完了,就会在task的开始和结束的时候浪费太多的时间。

配置task的JVM重用可以改善该问题:(mapred.job.reuse.jvm.num.tasks,默认是1,表示一个JVM上最多可以顺序执行的task数目(属于同一个Job)是1。也就是说一个task启一个JVM)。

小文件的场景下,默认的切片机制会造成大量的maptask处理很少量的数据,效率低下:

解决方案:

  • 推荐: 把小文件存入hdfs之前进行预处理,先合并为大文件后再上传。
  • 折中: 写程序对hdfs上小文件进行合并再跑job处理。
  • 补救措施: 如果大量的小文件已经存在hdfs上了,使用combineInputFormate组件,它可以将众多的小文件从逻辑上规划到一个切片中,这样多个小文件就可以交给一个maptask操作了。

你可能感兴趣的:(MapReduce中map并行度优化及源码分析)