hadoop中map的個數

hadooop提供了一個設置map個數的參數mapred.map.tasks，咱們能夠經過這個參數來控制map的個數。可是經過這種方式設置map的個數，並非每次都有效的。緣由是mapred.map.tasks只是一個hadoop的參考數值，最終map的個數，還取決於其餘的因素。
     爲了方便介紹，先來看幾個名詞：
block_size : hdfs的文件塊大小，默認爲64M，能夠經過參數dfs.block.size設置
total_size : 輸入文件總體的大小
input_file_num : 輸入文件的個數

（1）默認map個數
     若是不進行任何設置，默認的map個數是和blcok_size相關的。
     default_num = total_size / block_size;

（2）指望大小
     能夠經過參數mapred.map.tasks來設置程序員指望的map個數，可是這個個數只有在大於default_num的時候，纔會生效。
     goal_num = mapred.map.tasks;

（3）設置處理的文件大小
     能夠經過mapred.min.split.size 設置每一個task處理的文件大小，可是這個大小隻有在大於block_size的時候纔會生效。
     split_size = max(mapred.min.split.size, block_size);
     split_num = total_size / split_size;

（4）計算的map個數
compute_map_num = min(split_num,  max(default_num, goal_num))

     除了這些配置之外，mapreduce還要遵循一些原則。 mapreduce的每個map處理的數據是不能跨越文件的，也就是說min_map_num >= input_file_num。 因此，最終的map個數應該爲：
     final_map_num = max(compute_map_num, input_file_num)

     通過以上的分析，在設置map個數的時候，能夠簡單的總結爲如下幾點：
（1）若是想增長map個數，則設置mapred.map.tasks 爲一個較大的值。
（2）若是想減少map個數，則設置mapred.min.split.size 爲一個較大的值。
（3）若是輸入中有不少小文件，依然想減小map個數，則須要將小文件merger爲大文件，而後使用準則2。