MapReduce框架原理面试题切片

切片与MapTask并行度决定机制

》1：并行度是什么?

在计算机体系结构中，并行度是指指令或数据并行执行的最大数目。在指令流水中，同时执行多条指令称为指令并行

》2：为什么要提高并行度

可以最大限度地利用计算资源或存储资源。

MapTask的并行度决定Map阶段的任务处理并发度，进而影响到整个Job的处理速度。

注意：并行度不是越大越好

1G的数据，启动8个MapTask，可以提高集群的并发处理能力。
那么1K的数据，也启动8个MapTask，会提高集群性能吗？
MapTask并行任务是否越多越好呢？
哪些因素影响了MapTask并行度？

MapTask并行度决定机制

数据块：Block是HDFS物理上把数据分成一块一块。
数据切片：数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行

1）一个job的map阶段并行度由客户端在提交job时决定
2）每一个split切片分配一个mapTask并行实例处理
3）默认情况下，切片大小=blocksize
4）切片时不考虑数据集整体，而是逐个针对每一个文件单独切片

注意：设置切片大小设置为100M与128M哪个好？