參考文檔：https://www.cnblogs.com/1130136248wlxk/articles/5352154.html
1. 決定map的數據的決定因素有: input的文件總個數，input的文件大小，集群設置的文件塊大小(目前為128M, 可在hive中通過set dfs.block.size;命令查看到，該參數不能自定義修改)；
2.是不是map數越多越好，如何減少？
a. 不是越多越好，多了會造成資源的浪費；因為map任務的啟動和初始化的時間，遠遠大於邏輯處理的時間；並且，map的數據是有限制的。
b. 可以通過set設置，讓map在執行前合並小文件，從而達到減少map數:
比如: set mapred.max.split.size=100000000; -- 決定每個map處理的最大的文件大小，單位為B
set mapred.min.split.size.per.node=100000000; -- 節點中可以處理的最小的文件大小
set mapred.min.split.size.per.rack=100000000; -- 機架中可以處理的最小的文件大小
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;---實現map中的數據合並需要設置下面的參數，集群默認就是這個格式
3. 是不是每個map處理的接近128M的文件塊，就OK了呢? 如果不OK，如何增加map的數量?
a. 並不一定。當文件接近128M，但是里的內容卻非常多的時候並且map處理的邏輯比較復雜。那么用一個map處理，則時間會比較長
b. 把原來的單個文件拆分成多個的文件， 然后使用新的文件來執行sql。
set mapred.reduce.tasks=10;
create table a_1 as
select * from a
distribute by rand(123);
4. 控制map整體原則1：大數據量要利用合適的map數；單個map要處理合適的數據量 。 2:map占用資源要合並小文件;map不足要把大文件拆成小文件。
5.reduce簡單總結：
a. 有多少個reduce,就會有多少個輸出文件，如果生成了很多個小文件，那么如果這些小文件作為下一個任務的輸入，則也會出現小文件過多的問題；
b.什么情況下只有一個reduce:1. 沒有group by就進行count(1)。2.使用了order by。3.存在笛卡兒積。因為這些都是全局操作，生成一個文件，就只有1個reduce。
c. set mapred.reduce.tasks/set hive.exec.reducers.bytes.per.reducer=1073741824 -- 每個reduce處理的數據量,默認1GB
6. map數量一些深入的知識：
a. default_num = total_size/block_size,默認情況下map的個數
b.可以通過set mapred.map.tasks = goal_num 來設置期望的map個人，但是這個數量僅在大於default_num 的時候才會生效。
c. 可以通過set mapred.min.split.size來設置每個task的文件大小，但是這個數量在大於block_size的時候才會生效。
split_size = max(mapred.min.split.size,block_size); split_num = total_szie/split_size
d.