Hadoop-2.4.1学习之如何确定Mapper数量

       MapReduce框架的优势是可以在集群中并行运行mapper和reducer任务，那如何确定mapper和reducer的数量呢，或者说如何以编程的方式控制作业启动的mapper和reducer数量呢？在《Hadoop-2.4.1学习之Mapper和Reducer》中曾经提及建议reducer的数量为(0.95~1.75 ) * 节点数量 * 每个节点上最大的容器数，并可使用方法Job.setNumReduceTasks(int)，mapper的数量由输入文件的大小确定，且没有相应的setNumMapTasks方法，但可以通过Configuration.set(JobContext.NUM_MAPS, int)设置，其中JobContext.NUM_MAPS的值为mapreduce.job.maps，而在Hadoop的官方网站上对该参数的描述为与MapReduce框架和作业配置巧妙地交互，并且设置起来更加复杂。从这样一句含糊不清的话无法得知究竟如何确定mapper的数量，显然只能求助于源代码了。

      在Hadoop中MapReduce作业通过JobSubmitter类的submitJobInternal(Jobjob, Cluster cluster)方法向系统提交作业（该方法不仅设置mapper数量，还执行了一些其它操作如检查输出格式等，感兴趣的可以参考源代码），在该方法中与设置mapper有关的代码如下：

int maps = writeSplits(job, submitJobDir);
conf.setInt(MRJobConfig.NUM_MAPS, maps);
LOG.info("number of splits:" + maps);

      方法writeSplits返回mapper的数量，该方法的源代码如下：

private int writeSplits(org.apache.hadoop.mapreduce.JobContext job,Path jobSubmitDir) 
throws IOException,InterruptedException, ClassNotFoundException {
    JobConf jConf = (JobConf)job.getConfiguration();
    int maps;
    if (jConf.getUseNewMapper()) {
      maps = writeNewSplits(job, jobSubmitDir);
    } else {
      maps = writeOldSplits(jConf, jobSubmitDir);
    }
    return maps;
  }

      在该方法中，根据是否使用了新版本的JobContext而使用不同的方法计算mapper数量，实际情况是jConf.getUseNewMapper()将返回true，因此将执行writeNewSplits(job,jobSubmitDir)语句，该方法的源代码如下：

Configuration conf = job.getConfiguration();
InputFormat<?, ?> input = ReflectionUtils.newInstance(job.getInputFormatClass(), conf);
List<InputSplit> splits = input.getSplits(job);
T[] array = (T[]) splits.toArray(new InputSplit[splits.size()]);

// sort the splits into order based on size, so that the biggest
// go first
Arrays.sort(array, new SplitComparator());
JobSplitWriter.createSplitFiles(jobSubmitDir, conf, jobSubmitDir.getFileSystem(conf), array);
return array.length;

      通过上面的代码可以得知，实际的mapper数量为输入分片的数量，而分片的数量又由使用的输入格式决定，默认为TextInputFormat，该类为FileInputFormat的子类。确定分片数量的任务交由FileInputFormat的getSplits(job)完成，在此补充一下FileInputFormat继承自抽象类InputFormat，该类定义了MapReduce作业的输入规范，其中的抽象方法List<InputSplit> getSplits(JobContext context)定义了如何将输入分割为InputSplit，不同的输入有不同的分隔逻辑，而分隔得到的每个InputSplit交由不同的mapper处理，因此该方法的返回值确定了mapper的数量。下面将分为两部分学习该方法是如何在FileInputFormat中实现的，为了将注意力集中在最重要的部分，对日志输出等信息将不做介绍，完整的实现可以参考源代码。

      首先是第一部分，该部分代码计算了最大InputSplit和最小InputSplit的值，如下：

long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
long maxSize = getMaxSplitSize(job);

      其中的getMinSplitSize和getMaxSplitSize方法分别用于获取最小InputSplit和最大InputSplit的值，对应的配置参数分别为mapreduce.input.fileinputformat.split.minsize，默认值为1L和mapreduce.input.fileinputformat.split.maxsize，默认值为Long.MAX_VALUE，十六进制数值为 0x7fffffffffffffffL，对应的十进制为9223372036854775807，getFormatMinSplitSize方法返回该输入格式下InputSplit的下限。以上数字的单位都是byte。由此得出minSize的大小为1L，maxSize的大小为Long.MAX_VALUE。

      其次是生成InputSplit的第二部分。在该部分将生成包含InputSplit的List，而List的大小为InputSplit的数量，进而确定了mapper的数量。其中重要的代码为：

if (isSplitable(job, path)) {
          long blockSize = file.getBlockSize();
          long splitSize = computeSplitSize(blockSize, minSize, maxSize);
          long bytesRemaining = length;
          while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, splitSize,
                                     blkLocations[blkIndex].getHosts()));
            bytesRemaining -= splitSize;
          }
          if (bytesRemaining != 0) {
            int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
            splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
                       blkLocations[blkIndex].getHosts()));
          }
}

      blockSize的值为参数dfs.blocksize的值，默认为128M。方法computeSplitSize(blockSize, minSize, maxSize)根据blockSize，minSize，maxSize确定InputSplit的大小，源代码如下：

Math.max(minSize, Math.min(maxSize, blockSize))

      从该代码并结合第一部分的分析可以得知，InputSplit的大小取决于dfs.blocksiz、mapreduce.input.fileinputformat.split.minsize、mapreduce.input.fileinputformat.split.maxsize和所使用的输入格式。在输入格式为TextInputFormat的情况下，且不修改InputSplit的最大值和最小值的情况，InputSplit的最终值为dfs.blocksize的值。

变量SPLIT_SLOP的值为1.1，决定了当剩余文件大小多大时停止按照变量splitSize分割文件。根据代码可知，当剩余文件小于等于1.1倍splitSize时，将把剩余的文件做为一个InputSplit，即最后一个InputSplit的大小最大为1.1倍splitSize。

总结