《hadoop》权威指南 MapReduce

为什么最佳分片的大小与块大小相同？

        它是最大的可保证存储在单个节点上的数据量。如果分区跨越两个快，那么对于任何一个HDFS节点而言，基本不可能同时存储这两块数据，因此此分布的某部分必须通过网络传输到节点，这与使用本地数据运行map任务相比，显然效率更低。

 

map任务把输入写入本地磁盘，而不是HDFS。因为map的输出作为中间输出：而中间输出则被reduce任务处理后产生最终的输出，一旦作业完成，map的输出就可以删除了。如果该节点上运行的map任务在map输出给reduce任务处理之前崩溃，那么hadoop将在另一个节点上重新运行map任务以再次创建map的输出。

 

为增加其可靠性，reduce的输出通常存储在HDFS中。对于每个reduce输出的HDFS，第一个副本存储在本地节点上，其他副本存储在其他机架节点中。

 

reduce任务的数目并不是由输入的大小来决定的，而是单独具体指定的。

 

combiner并不能取代reduce函数。但它可以帮助减少map和reduce之间的数据传输量。而正因为此，是否在MapReduce作业中使用combiner是需要慎重考虑的。

 

通常将reduce函数设置为combiner