MapReduce中map並行度優化及源碼分析

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時決定，而客戶端對map階段並行度的規划的基本邏輯為：將待處理數據執行邏輯切片（即按照一個特定切片大小，將待處理數據划分成邏輯上的多個split），然后每一個split分配一個mapTask並行實例處理。

FileInputFormat切片機制

原文和作者一起討論:http://www.cnblogs.com/intsmaze/p/6733968.html

1、默認切片定義在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，默認等於hdfs的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    260M
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--  128~260 //如果剩余的文件長度/切片長度<=1.1則會將剩余文件的長度並未一個切片
file2.txt.split1--  0~10M

3、FileInputFormat中切片的大小的參數配置

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:值為hdfs的對應文件的blocksize

配置讀取目錄下文件數量的線程數:public static final String LIST_STATUS_NUM_THREADS =
      "mapreduce.input.fileinputformat.list-status.num-threads";

因此，默認情況下，Math.max(minSize, Math.min(maxSize, blockSize));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。

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。

選擇並發數的影響因素：

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

3、hadoop2.6.4源碼解析

org.apache.hadoop.mapreduce.JobSubmitter類

   //得到job的map任務的並行數量
   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 <T extends InputSplit>
  int writeNewSplits(JobContext job, Path jobSubmitDir) throws IOException,
      InterruptedException, ClassNotFoundException {
    Configuration conf = job.getConfiguration();
    InputFormat<?, ?> input =
     ReflectionUtils.newInstance(job.getInputFormatClass(), conf);
　　　
    List<InputSplit> 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;
  }

 

切片計算邏輯,關注紅色字體代碼即可。

public List<InputSplit> getSplits(JobContext job) throws IOException {
    Stopwatch sw = new Stopwatch().start();

    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job)); long maxSize = getMaxSplitSize(job); // generate splits
    List<InputSplit> splits = new ArrayList<InputSplit>();
  List<FileStatus> files = listStatus(job);
　　 //遍歷文件，對每一個文件進行如下處理:獲得文件的blocksize,獲取文件的長度，得到切片信息(spilt 文件路徑，切片編號，偏移量范圍) 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)) {
          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;
  }

 

 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));
    
  //保證切分的文件長度最小不得小於1字節
  protected long getFormatMinSplitSize() {
    return 1;
  }
  
  //如果沒有在conf中設置SPLIT_MINSIZE參數，則取默認值1字節。
  public static long getMinSplitSize(JobContext job) {
    return job.getConfiguration().getLong(SPLIT_MINSIZE, 1L);
  }
  
  //得到切片文件的最大長度
  long maxSize = getMaxSplitSize(job);
  
  //如果沒有在conf中設置SPLIT_MAXSIZE參數，則去默認值Long.MAX_VALUE字節。
  public static long getMaxSplitSize(JobContext context) {
    return context.getConfiguration().getLong(SPLIT_MAXSIZE, 
                                              Long.MAX_VALUE);
  }
  
   //讀取指定目錄下的所有文件的信息
   List<FileStatus> files = listStatus(job);
   //如果沒有指定開啟幾個線程讀取，則默認一個線程去讀文件信息，因為存在目錄下有上億個文件的情況，所以有需要開啟多個線程加快讀取。
   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;
  
  //計算切片文件的邏輯大小
  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
  //判斷剩余文件與切片大小的比是否為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並行度

　　如果job的每個map或者reduce的task的運行時間都只有30-40秒鍾(最好每個map的執行時間最少不低於一分鍾)，那么就減少該job的map或者reduce數。每一個task的啟動和加入到調度器中進行調度，這個中間的過程可能都要花費幾秒鍾，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重用可以改善該問題：

　　（mapred.job.reuse.jvm.num.tasks，默認是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）。

小文件的場景下，默認的切片機制會造成大量的maptask處理很少量的數據，效率低下：

解決方案：

　　推薦：把小文件存入hdfs之前進行預處理，先合並為大文件后再上傳。

　　折中：寫程序對hdfs上小文件進行合並再跑job處理。

　　補救措施:如果大量的小文件已經存在hdfs上了，使用combineInputFormate組件，它可以將眾多的小文件從邏輯上規划到一個切片中，這樣多個小文件就可以交給一個maptask操作了。