关于hadoop的maptask数量

今天看hadoop的JobClient的源码，在JobClient的init(JobConfig)函数中当mapred.job.tracker的值为默认值或者"local"时，将JobConfig的mapred.map.tasks设置为了1。觉得是不是太武断了点，不过在看JobConfig.setNumMapTasks(int)的注释时发现是这样说的：
这个MapTask数量的值设置只是对hadoop框架的提示，并不起决定作用。
实际上map task的数量依赖于InputFormat的getSplits生成的InputSplit的数量。因此经常使用定制的InputFormat来准确的控制map task的数目。换句话说map的数目依赖于输入的总大小（输入的block数）。基于文件的InputFormat的主要功能就是根据输入文件的总大小将它切分为逻辑上的InputSplit。对于分块的大小，输入文件所在的文件系统的块大小是其上限，下限可以通过mapred.min.split.size来设置。因此如果有10TB的数据且块大小为128M，那么将会产生82000（我算的是81920）个map除非setNumMapTasks(int)设置得更多。（problem：如果map数设为了90000，那么多出来的map干什么了？没有数据了啊！难道什么都不做，待进一步分析）
对于一个合理的并行程度每个节点的map数量应该大约在10-100个（对于不太消耗cpu的map task 可以有300个）。需要注意的是Task的建立是需要时间的，因此在并行度许可的情况下应该使用尽量少的map来运行。

    TaskSplitMetaInfo[] splits = createSplits(jobId);
    if (numMapTasks != splits.length) {
      throw new IOException("Number of maps in JobConf doesn't match number of " +
      		"recieved splits for job " + jobId + "! " +
      		"numMapTasks=" + numMapTasks + ", #splits=" + splits.length);
    }
    numMapTasks = splits.length;

这样看来map的数量与JobConfig的mapred.map.tasks的值没有关系，依据的是split的数目

评论

2 楼 youli9056 2012-08-27  

superlxw1234 写道

（problem：如果map数设为了90000，那么多出来的map干什么了？没有数据了啊！难道什么都不做，待进一步分析） 设置为90000个是不起作用的。。

嗯，我刚看到了。在JobInProgress的initTasks中有这样的一段代码：

TaskSplitMetaInfo[] splits = createSplits(jobId);
    if (numMapTasks != splits.length) {
      throw new IOException("Number of maps in JobConf doesn't match number of " +
      		"recieved splits for job " + jobId + "! " +
      		"numMapTasks=" + numMapTasks + ", #splits=" + splits.length);
    }
    numMapTasks = splits.length;

这样看来map的数量与JobConfig的mapred.map.tasks的值没有关系，依据的是split的数目

1 楼 superlxw1234 2012-08-27  

（problem：如果map数设为了90000，那么多出来的map干什么了？没有数据了啊！难道什么都不做，待进一步分析） 设置为90000个是不起作用的。。