上一篇部落格介紹了mapreduce的移動流量分析的實戰案例，本篇將繼續分享mapreduce的並行度原理。

    一、mapTask並行度的決定機制

          一個job的map階段並行度由客戶端在提交Job是決定，而客戶端對map階段並行度的規劃的基本邏輯為：將待處理資料執行邏輯切片（即按照一個特定切片大小，將待處理資料劃分成邏輯上的多個split），然後每一個split分配一個mapTask並行例項處理；這段邏輯及形成的切片規劃描述檔案，由FileInputFormat實現類的getSplits()方法完成，其過程如下圖：

        （1）FileInputFormat切片機制

                切片定義在InputFormat類中的getSplit()方法；FileInputFormat中預設的切片機制：a.簡單地按照檔案的內容長度進行切片,b.切片大小，預設等於block大小，c.切片時不考慮資料集整體，而是逐個針對每一個檔案單獨切片
                比如待處理資料有兩個檔案：
                    file1.txt    320M
                    file2.txt    10M
                經過FileInputFormat的切片機制運算後，形成的切片資訊如下：
                    file1.txt.split1-- 0~128
                    file1.txt.split2-- 128~256
                    file1.txt.split3-- 256~320
                    file2.txt.split1-- 0~10M              

        （2）FileInputFormat中切片的大小的引數配置
                 通過分析原始碼，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：預設值：1      配置引數： mapreduce.input.fileinputformat.split.minsize    
                maxsize：預設值：Long.MAXValue      配置引數：mapreduce.input.fileinputformat.split.maxsize
                blocksize
                因此，預設情況下，切片大小=blocksize
                maxsize（切片最大值）：引數如果調得比blocksize小，則會讓切片變小，而且就等於配置的這個引數的值
                minsize （切片最小值）：引數調的比blockSize大，則可以讓切片變得比blocksize還大

            選擇併發數的影響因素：1、運算節點的硬體配置，2、運算任務的型別：CPU密集型還是IO密集型，3、運算任務的資料量

        （3）map並行度的經驗之談
                 如果硬體配置為2*12core + 64G，恰當的map並行度是大約每個節點20-100個map，最好每個map的執行時間至少一分鐘。
                 如果job的每個map或者 reduce task的執行時間都只有30-40秒鐘，那麼就減少該job的map或者reduce數，每一個task(map|reduce)的setup和加入到排程器中進行排程，這個中間的過程可能都要花費幾秒鐘，所以如果每個task都非常快就跑完了，就會在task的開始和結束的時候浪費太多的時間。
配置task的JVM重用[JVM重用技術不是指同一Job的兩個或兩個以上的task可以同時運行於同一JVM上，而是排隊按順序執行。]可以改善該問題：
（mapred.job.reuse.jvm.num.tasks，預設是1，表示一個JVM上最多可以順序執行的task數目（屬於同一個Job）是1。也就是說一個task啟一個JVM）

                 如果input的檔案非常的大，比如1TB，可以考慮將hdfs上的每個block size設大，比如設成256MB或者512MB

    二、ReduceTask並行度的決定
           reducetask的並行度同樣影響整個job的執行併發度和執行效率，但與maptask的併發數由切片數決定不同，Reducetask數量的決定是可以直接手動設定：

//預設值是1，手動設定為4
job.setNumReduceTasks(4);

           如果資料分佈不均勻，就有可能在reduce階段產生資料傾斜
           注意： reducetask數量並不是任意設定，還要考慮業務邏輯需求，有些情況下，需要計算全域性彙總結果，就只能有1個reducetask

           儘量不要執行太多的reduce task。對大多數job來說，最好rduce的個數最多和叢集中的reduce持平，或者比叢集的 reduce slots小。這個對於小叢集而言，尤其重要。

    三、mapreduce除錯

           可以在本地執行mapreduce，配置遠端的namenode主機對應的輸入路徑和輸出路徑進行遠端除錯，除錯入口： boolean res = job.waitForCompletion(true);

           強烈建議小夥伴們進行一次完整的除錯以理解mapreduce的切片規劃和提交原理。

    四、切片規劃

           切片規劃是一般會形成幾個檔案： job.xml（hadoop配置引數）、job.split（切片資訊）、job.splitmetainfo（切片meta資訊）

    最後寄語，以上是博主本次文章的全部內容，如果大家覺得博主的文章還不錯，請點贊；如果您對博主其它伺服器大資料技術或者博主本人感興趣，請關注博主部落格，並且歡迎隨時跟博主溝通交流。