MapReduce之mapper以及reducer的个数决定性因素

这个图大概可以描述mapreduce计算模型的执行过程，下面我们就围绕这个图聊几个问题，其中有工作中非常有用的问题：

1. mapper的个数 
结论：mapper的个数是由输入数据的大小决定的，一般不需要我们去设置，如果你想控制mapper的个数，那么需要先了解hadoop是怎么控制mapper的个数。 
如图所示，每个Mapper Tasker对应一个split（切片）,要处理的file被FileInputFormat分成了几个切片就会有几个mapper；FileInputFormat怎么获取的切面呢，直接上源码：

public List<InputSplit> getSplits(JobContext job)  {
    long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
    long maxSize = getMaxSplitSize(job);
    long splitSize = computeSplitSize(blockSize, minSize, maxSize);
    long blockSize = file.getBlockSize();
    long splitSize=computeSplitSize(blockSize,minSize, maxSize);

    }
  protected long getFormatMinSplitSize() {
    return 1;
  }
  public static long getMinSplitSize(JobContext job) {
    return job.getConfiguration().getLong(SPLIT_MINSIZE, 1L);
  }
  public static final String SPLIT_MINSIZE = 
    "mapreduce.input.fileinputformat.split.minsize";
 public static long getMaxSplitSize(JobContext context) {
    return context.getConfiguration().getLong(SPLIT_MAXSIZE, Long.MAX_VALUE);
  }
 public static final String SPLIT_MAXSIZE = 
    "mapreduce.input.fileinputformat.split.maxsize";

 protected long computeSplitSize(long blockSize, long minSize,long maxSize) {
    return Math.max(minSize, Math.min(maxSize, blockSize));
  }

通过源码得出切片数splitSize由三个元素决定：

1. blockSize block大小，hadoop1默认64M，hadoop2默认128M
2. minSize 最小值，默认是 1，我可以通过FileInputFormat.setMinInputSplitSize(job, size)方法来修改最小值；
3. maxSize 最大值，默认是MAX_VALUE = 0x7fffffffffffffffL，可以通过FileInputFormat.setMaxInputSplitSize(job, size)修改最大值 
   最后做计算：Math.max(minSize, Math.min(maxSize, blockSize)) 
   默认情况下：Math.max(1, Math.min(0x7fffffffffffffffL, 128))显然结果为128，也就是说默认情况下有几个block就有几个切片，这也是为了提高mapreduce的运行效率。

2.reducer个数 
结论：reducer个数是由partition个数决定。 
mapper产生的中间数据经过shuffer过程，根据我们的业务把数据分成若干partition，每个partition的数据由对应的一个reducer来处理。mapreduce决定partition的是：Partitioner类中的intgetPartition(KEY key, VALUE value, int numPartitions)方法，我们来看下默认的分区方法：

public class HashPartitioner<K, V> extends Partitioner<K, V> {

  /** Use {@link Object#hashCode()} to partition. */
  public int getPartition(K key, V value,
                          int numReduceTasks) {
    return (key.hashCode() & Integer.MAX_VALUE) % numReduceTasks;
  }

}

由代码看出默认的分区有两个元素决定：

• key的hash值
• numReduceTasks，需要我们通过job.setNumReduceTasks(reduceNum) 方法来设置的reducer个数 
  最终得出partition个数就是我们设置的个数，比如我们设置job.setNumReduceTasks(3) hashcode除以10的余数就是0、1、2三个值，默认之所以用key的hash值是为了把数据均匀的分布到reducer防止数据倾斜。 
  当然了我们可以根据我们自己的业务来继承Partition类重写getPartition方法来决定partition数。