1.Map数
1.1 通常情况下,作业会通过input的目录产生一个或者多个map任务
主要的决定因素有:input的文件总个数,input的文件大小,集群设置的文件块大小(目前为128M,可在hive中通过set dfs.block.size;命令查看到);
map task的数量即mapred.map.tasks的参数值,用户不能直接设置这个参数。Input Split的大小,决定了一个Job拥有多少个map。 mapred.min.split.size这个配置项决定了每个 Input Split的最小值,用户可以修改这个参数(mapred.min.split.size),从而改变map task的数量。
1.2 举例:
a) 假设input目录下有1个文件a,大小为780M,那么hadoop会将该文件a分隔成7个块(6个128m的块和1个12m的块),从而产生7个map数。
b) 假设input目录下有3个文件a,b,c大小分别为10m,20m,150m,那么hadoop会分隔成4个块(10m,20m,128m,22m),从而产生4个map数。即,如果文件大于块大小(128m),那么会拆分,如果小于块大小,则把该文件当成一个块。
1.3 是不是map数越多越好?
答案是否定的。如果一个任务有很多小文件(远远小于块大小128m),则每个小文件也会被当做一个块,用一个map任务来完成,而一个map任务启动和初始化的时间远远大于逻辑处理的时间,就会造成很大的资源浪费。而且,同时可执行的map数是受限的。
1.4 是不是保证每个map处理接近128m的文件块,就高枕无忧了?
答案也是不一定。比如有一个127m的文件,正常会用一个map去完成,但这个文件只有一个或者两个小字段,却有几千万的记录,如果map处理的逻辑比较复杂,用一个map任务去做,肯定也比较耗时。
针对上面的问题3和4,我们需要采取两种方式来解决:即减少map数和增加map数;
减少map数(合并小文件)
--假设一个SQL任务: select count(1) from tab_info where pt = '2020-07-04'; --该任务共有194个文件,其中很多是远远小于128M的小文件,总大小9G,正常执行会用194个map任务。 --Map总共消耗的计算资源:SLOTS_MILLIS_MAPS= 623,020
--通过以下方法来在map执行前合并小文件,减少map数: set mapred.max.split.size=112345600; set mapred.min.split.size.per.node=112345600; set mapred.min.split.size.per.rack=112345600; --这三个参数确定合并文件块的大小,大于文件块大小128m的,按照128m来分隔, --小于128m,大于100m的,按照100m来分隔,把那些小于100m的(包括小文件和分隔大文件剩下的), --进行合并,最终生成了74个块。
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; --这个参数表示执行前进行小文件合并,
--再执行上面的语句,用了74个map任务,map消耗的计算资源:SLOTS_MILLIS_MAPS= 333,500 --对于这个简单SQL任务,执行时间上可能差不多,但节省了一半的计算资源。 |
增加Map数
当input的文件都很大,任务逻辑复杂,map执行非常慢的时候,可以考虑增加Map数,来使得每个map处理的数据量减少,从而提高任务的执行效率。
--假设有这样一个任务: select data_desc, count(1), count(distinct id), sum(case when ...), sum(case when ...), sum(...) from a group by data_desc /* 如果表a只有一个文件,大小为120M,但包含几千万的记录,如果用1个map去完成这个任务,肯定是比较耗时的, 这种情况下,我们要考虑将这一个文件合理的拆分成多个, 这样就可以用多个map任务去完成。 */ set mapred.reduce.tasks=10; map task的数量即mapred.map.tasks的参数值,用户不能直接设置这个参数。Input Split的大小,决定了一个Job拥有多少个map。 mapred.min.split.size这个配置项决定了每个 Input Split的最小值,用户可以修改这个参数,从而改变map task的数量。 reduce task的数量由mapred.reduce.tasks这个参数设定,默认值是1。 create table a_1 as select * from tab_info distribute by rand(123); distribute by是控制在map端如何拆分数据给reduce端的。hive会根据distribute by后面列,对应reduce的个数进行分发,默认是采用hash算法. 大部分情况都用于解决Map输出的文件大小不均,Reduce输出文件大小不均,小文件过多,文件超大等情况. 当 distribute by 后边跟的列是:rand()时,即保证每个分区的数据量基本一致 /* 这样会将a表的记录,随机的分散到包含10个文件的a_1表中,再用a_1代替上面sql中的a表,则会用10个map任务去完成。 每个map任务处理大于12M(几百万记录)的数据,效率肯定会好很多。 */ 扩展:
|
2.Reduce数
如果Reduce设置的过大,那么将会产生很多小文件,对NameNode会产生一定的影响,而且整个作业的运行时间未必会减少;如果Reduce设置的过小,那么单个Reduce处理的数据将会加大,很可能会引起OOM异常(outofmemory的简称,称之为内存溢出)。
如果设置了mapred.reduce.tasks/mapreduce.job.reduces参数,那么Hive会直接使用它的值作为Reduce的个数;如果mapred.reduce.tasks/mapreduce.job.reduces的值没有设置(也就是-1),那么Hive会根据输入文件的大小估算出Reduce的个数。
根据输入文件估算Reduce的个数可能未必很准确,因为Reduce的输入是Map的输出,而Map的输出可能会比输入要小,所以最准确的是根据Map的输出估算Reduce的个数。
Hive自己如何确定reduce数
不指定reduce个数的情况下,Hive会猜测确定一个reduce个数,基于以下两个设定:
hive.exec.reducers.bytes.per.reducer(每个reduce任务处理的数据量,默认为1000^3=1G)
hive.exec.reducers.max(每个任务最大的reduce数,默认为999)
计算reducer数的公式很简单N=min(参数2,总输入数据量/参数1),即如果reduce的输入(map的输出)总大小不超过1G,那么只会有一个reduce任务;
调整reduce个数方法一:
调整hive.exec.reducers.bytes.per.reducer参数的值:set hive.exec.reducers.bytes.per.reducer=
调整reduce个数方法二:
set mapred.reduce.tasks=
reduce个数并不是越多越好:
同map一样,启动和初始化reduce也会消耗时间和资源;
有多少个reduce,就会有个多少个输出文件,如果生成了很多个小文件,那么如果这些小文件作为下一个任务的输入,则也会出现小文件过多的问题;
什么情况下只有一个reduce:
1.数据量小于hive.exec.reducers.bytes.per.reducer参数值
2.没有group by的汇总
3.用了Order by
4.有笛卡尔积
注意:在设置reduce个数的时候也需要考虑这两个原则:使大数据量利用合适的reduce数;是单个reduce任务处理合适的数据量;