MapReduce任务个数如何影响执行效率？性能优化从这里做起

在正文开始之前，请先来回答一下这个问题：

题目：输入为3个文件，a.txt 300MB,b.txt 100MB,c.txt 58.MB，使用MapReduce的example程序，计算Wordcount，请问，应该有多少个MapTask？

A、5       B、4       C、3       D、2

这是一个MR知识点中非常简单的一个问题，其中涉及到的知识点大概如下：

1.HDFS Block拆分，为啥是128MB

HDFS选择将数据块的默认大小设置为128MB，有以下几个原因：

1.减少元数据开销：较大的数据块大小可以减少元数据（metadata）的数量，因为元数据存储了文件的信息，如文件名、权限和数据块的位置等。较小的数据块会导致更多的元数据，增加了管理和存储的开销。

2.提高数据传输效率：较大的数据块可以提高数据传输的效率。在Hadoop集群中，数据块是以流的方式进行传输的，较大的数据块可以减少寻址和传输的开销，提高数据的读取和写入速度。

3.适应大规模数据处理：HDFS主要用于大规模数据处理，如大数据分析和批处理作业。较大的数据块可以更好地适应这些大规模数据处理需求，减少了数据切分和处理的开销。

2.MR对于输入数据的拆分

在 MapReduce 中，Map 操作的输入拆分格式取决于使用的输入格式。以下是常见的输入拆分格式：

1.TextInputFormat：将输入拆分为按行划分的文本块。每个 Map 任务处理一行或多行文本。

2.KeyValueTextInputFormat：类似于 TextInputFormat，但将每行拆分为键值对。键和值之间使用分隔符进行分割。

3.SequenceFileInputFormat：将输入拆分为 SequenceFile 格式的块。SequenceFile 是一种二进制文件格式，可存储键值对。

4.NLineInputFormat：将输入拆分为固定数量的行块。每个 Map 任务处理一块。

5.CombineTextInputFormat：将小文件组合成更大的输入拆分块，以减少 Map 任务的数量。这样可以提高作业的整体性能。

这些输入拆分格式的选择取决于输入数据的特性和处理需求。可以根据具体的情况选择合适的输入拆分格式来优化 Map 操作的性能。

以上都是大家在各个平台所能看到的理论答案，直接拿出来给大家做科普，那就太没诚意了。我们今天就来点实操性的，实践出真知。

1.Map Task个数验证

根据以上题目内容，咋们来制造一波测试数据集，按照题目设定，搞来三个文件，分别大小如下：

[root@bigdata input]# du -h *
299M  a.txt
100M  b.txt58M   c.txt

数据来源说明：下载的是《西游记》电子txt版，单个文件大概是3MB左右，然后使用追加的方式累计文件中。

我们将这个数据上传到HDFS，运行一波看看，这个有多少个Map个数。

#数据上传到DHFS
hdfs dfs -put input /apps/mapreduce/#运行测试命令hadoop jar ./hadoop-mapreduce-examples-3.3.4.jar    \wordcount    \/apps/mapreduce/input    \/apps/mapreduce/output

运行结果结果如下图展示，其中Map个数为5，Reduce为1，所以，开头的答案是A，请问，您答对了吗？

下图是使用Yarn UI2 看到的页面，这样更直观知道每个task任务的执行流程。

接下来，你是不是觉得我应该写：为啥是5，为啥是1呢？恭喜您，猜错了，还是太年轻，这东西值得我拿出来在公众号做分享吗，会被其他同行看不起的。咋们要讲，就要讲实际能用的，和工作相关的。

2.存储结构对比验证

在实际工作中，遇上题目这种a、b、c的情况比较少，但是分析一个???MB左右的数据却经常遇到。接下来分析一个同样的458MB的"文件"，但是这里的文件存储结构是3MB * 153个，那么又会发生这么样的故事呢？

数据准备：将我们准备好的单个3MB的文件，循环copy并编号1-153，输入到input2文件夹。简单的shell，大家自己脑补下，毕竟，这不是今天的重点。完成后的数据格式如下：

接下来上传数据，运行测试案例

#数据上传到DHFS

hdfs dfs -put input2 /apps/mapreduce/#运行测试命令hadoop jar ./hadoop-mapreduce-examples-3.3.4.jar    \wordcount    \/apps/mapreduce/input2    \/apps/mapreduce/output2

毫无意外，这次运行，明显慢了很多，运行的结果情况如下：

UI2任务流程图：

对比两次任务执行时间，第一次为：33s，第二次为139s,同样的大小的数据，居然差了4.21倍。这是啥概念？如果不是很明白，那就换个说法，加大点时间，老板让你去写个分析SQL，别人上午写，下午出结果，而你，上午写，让他明天等结果…,那么恭喜你，你在老板的小本本里面了。

你以为这就完了，NO，因为在实际企业中，没几个正常人写MR，都是些SQL，那么我们来看看，同样分析458MB的数据，A（a、b、c存储法），B（3 mb * 153存储法）两种存储结构，带来的花销是一样的吗？

3.Hive分区中结构对比实验

接下来，我们就使用同样的SQL，分析同样大小的数据，但是因为存储结构的不同，给运行带来的影响。

首先，创建一个实验表：

--创建表：
CREATE EXTERNAL TABLE IF NOT EXISTS `student.student0`(  `id` string comment '学号',  `name` string comment '姓名',  `sex` string comment '性别',  `age` int comment '年龄',  `department` string comment '班级')  partitioned by(dt string)  ROW FORMAT DELIMITED FIELDS TERMINATED BY '|'  LINES TERMINATED BY '\n';

验证下数据存储情况：

--插入数据：
insert into student.student0 values ("965","maoshu.ran","男",18,"Shanghai","2023-06-27");

--查看数据信息与存储结构：
hdfs dfs -get /warehouse/tablespace/external/hive/student.db/student0/dt=2023-06-27/000000_0--查看数据内容：965|maoshu.ran|男|18|Shanghai

接下来，我们就按上面的存储结构“965|maoshu.ran|男|18|Shanghai”制造一波测试案例数据。经过测试，大概75000条数据存储为3MB。我们先生成单个3MB文件，在批量叠加。

#单个3MB数据生产
for i in {0..75000}; do echo "20230627`printf "%06d\n" $i`|maoshu.ran|男|18|Shanghai">>000000_0.txt; done#创建数据集存储目录mkdir dt=2023-06-27mkdir dt=2023-06-28#数据集A制作cat 000000_0.txt >>dt=2023-06-27/000000_0.txtcat 000000_0.txt >>dt=2023-06-27/000000_0.txt...
#数据集B制作
sed s/20230627/20230628/g -i 000000_1.txtfor i in {1..157}; do cp 000000_1.txt dt\=2023-06-28/000000_$i.txt; done

最后整个目录结构和文件结构如下：

将数据上传到hive数据目录，并确认数据是否能够读取到。

#数据上传到hdfs
hdfs dfs -put dt\=2023-06-27 /warehouse/tablespace/external/hive/student.db/student0hdfs dfs -put dt\=2023-06-28 /warehouse/tablespace/external/hive/student.db/student0/#刷新hive分区（到hive命令行中）MSCK REPAIR TABLE student0;
> show partitions student0;
OK
dt=2023-06-27
dt=2023-06-28

接下来，写SQL验证，太难的SQL，笔者不会写，因为“懒”，我们就写最简单的count(*)

测试结果前，确认下输入模式:

确认下输入格式：

Hive> set hive.input.formathive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

发现，默认使用的是CombineHiveInputFormat,看来HIVE很有先见之明啊。我们先用这个模式跑下验证

进行场景A验证

select count(*) from student0 where dt='2023-06-27';

其运行的流程图如下：3个Map，1个reduce，总执行时间是：39.959s

进行场景B验证

select count(*) from student0 where dt='2023-06-28';47.341

执行时间是47.341s，使用了Combine模式，这个Task个数，明显小于153，效果还是很明显的。但是很明显，执行时间和task个数均比场景A多。

接下来，我们切换为MR中默认的TextInputFormat看看

set hive.input.format=org.apache.hadoop.mapred.TextInputFormat;

运行统计命令如上，其结果有点飘

场景A运行情况

场景B运行情况

虽然运行情况不太如愿，但是也能看出来，情景B的Task个数，明显多于场景A。

4.总结

在我们的整个验证过程中， Hive中的SQL演示，在日常的数据分析工作中是很常见的。同样的SQL，同样规模数据，为啥运行时间不一样？可能并不是因为你写的SQL有问题，不妨思考下，会不会是底层存储的问题

所以，课后作业来了：HDFS 小文件会带来哪些影响？