4. Map Task并行度决定机制
map task的平行度决定map阶段的任务处理并发度，进而影响到整个Job的处理速度。一个Job的map阶段并行度由客户端在提交Job时决定，而客户端对map阶段并行度的规划的基本逻辑为：将待处理数据执行逻辑切片(即按照一个特定切片的大小，将待处理数据划分成逻辑上的多个split)，然后每一个split分配一个mapTask并行实例处理。这段逻辑及形成的切片规划描述文件job.split，由FileInputFormat的getSplits()方法完成。决定map阶段并行度的任务切片规划过程即为“2.2.1 MapReduce的示例wordcount运行过程解析”中的第一步骤。切片规划过程如下：
切片定义在FileInputFormat类中的getSplit()方法中。
FileInputFormat中默认的切片机制：
a) 简单地按照文件的内容长度进行切片；
b) 切片大小，默认等于block大小；
c) 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
示例：
FileInputFormat中切片的大小的参数配置
通过分析源码，在FileInputFormat中，计算切片大小的逻辑：Math.max(minSize,Math.min(maxSize,blockSize))；切片主要由这几个值来运算决定：
默认情况下，切片大小=blockSize
maxSize(切片最大值)：参数如果调到比blockSize小，则会让切片变小，而且就等于配置的这个参数的值；
minSize(切片最小值)：参数如果调的比blockSize大，则可以让切片变得比blockSize还大。
map并行度的经验之谈：
选择并发数的影响因素：①运算节点的硬件配置；②运算任务的类型：CPU密集型或IO密集型；③运算任务的数据量；
如果硬件配置为2*12core + 64G，恰当的map并行度是大约每个节点20~100个map，最好每个map的执行时间至少一分钟。
如果job的每个map或者reduce task的运行时间都只有30-40秒钟，那么就减少该job的map或者reduce数；每一个task(map|task)的setup和加入到调度器中进行调度，这个中间的过程可能都要花费几秒钟，所以如果每个task都非常快就跑完了，就会在task的开始和结束的时候浪费太多的时间。配置task的JVM重用可以改善该问题：mapred.job.jvm.num.tasks，默认是1，表示一个JVM上最多可以顺序执行的task数目（属于同一个Job）是1，也就是说一个task启动一个JVM。
如果input的文件非常的大，比如1TB，可以考虑将hdfs上的每个block size设大，比如设成256MB或者512MB。
5. Reduce Task并行度决定机制
Reduce task的并行度同样影响整个Job的执行并发度和执行效率，但与map task的并发数由切片数决定不同，Reduce task数量的决定是可以直接手动设置的。
//默认值是1，手动设置为4 job.setNumReduceTasks(4); |
如果数据分布不均匀，就有可能在reduce阶段产生数据倾斜
注意：reduce task数量并不是任意设置，还要考虑业务逻辑需求，有些情况下，需要计算全局汇总结果，就只能有1个reduce task。
尽量不要运行太多的reduce task。对大多数job来说，最好reduce的个数和集群中的reduce持平，或者比集群的reduce slots小。这个对于小集群而言，尤其重要。
6. MapReduce的shuffle机制
6.1 概述
MapReduce中，map阶段处理的数据如何传递给reduce阶段，是mapreduce框架中最关键的一个流程，这个流程就叫shuffle；
shuffle：洗牌、发牌——(核心机制：数据分区，排序，缓存)；
具体来说：就是将maptask输出的处理结果数据，分发给reduce task，并在分发的过程中，对数据按key进行了分区和排序；
5.2 shuffle流程
shuffle是MR处理流程中的一个过程，它的每一个处理步骤是分散在各个map task和reduce task节点上完成的，整体来看，分为3个操作：
(1) 分区partition
(2) Sort根据key排序
(3) Combiner进行局部value的合并
1、①②③④map task读文件，是通过TextInputFormat(--> RecordReader --> read()) 一次读一行，返回(key,value)；
2、⑤上一步获取的(key,value)键值对经过Mapper的map方法逻辑处理形成新的(k,v)键值对，通过context.write输出到OutputCollector收集器；
3、⑥OutputCollector把收集到的(k,v)键值对写入到环形缓冲区中，环形缓冲区默认大小为100M，只写80%(环形缓冲区其实是一个数组，前面写着，后面有个组件清理这，写到文件中，防止溢出)。当环形缓冲区里面的数据达到其大小的80%时，就会触发spill溢出；
4、⑦spill溢出前需要对数据进行分区和排序，即会对环形缓冲区里面的每个(k,v)键值对hash一个partition值，相同partition值为同一分区，然会把环形缓冲区中的数据根据partition值和key值两个关键字升序排序；同一partition内的按照key排序；
5、⑧将环形缓冲区中排序后的内存数据不断spill溢出到本地磁盘文件，如果map阶段处理的数据量较大，可能会溢出多个文件；
6、⑨多个溢出文件会被merge合并成大的溢出文件，合并采用归并排序，所以合并的maptask最终结果文件还是分区且区内有序的；
7、⑩reduce task根据自己的分区号，去各个map task节点上copy拷贝相同partition的数据到reduce task本地磁盘工作目录；
9、reduce task会把同一分区的来自不同map task的结果文件，再进行merge合并成一个大文件(归并排序)，大文件内容按照k有序；
10、合并成大文件后，shuffle的过程也就结束了，后面进入reduce task的逻辑运算过程，首先调用GroupingComparator对大文件里面的数据进行分组，从文件中每次取出一组(k,values)键值对，调用用户自定义的reduce()方法进行逻辑处理；
11、最后通过OutputFormat方法将结果数据写到part-r-000**结果文件中；
注：shuffle中的环形缓冲区大小会影响到MapReduce程序的执行效率，原则上说，缓冲区越大，磁盘IO的次数越少，执行速度就越快。环形缓冲区的大小可以通过在mapred-site.xml中设置mapreduce.task.io.sort.mb的值来改变，默认100M。溢出的时候调用combiner组件，逻辑和reduce的一样，合并，相同的key，value相加，这样传效率高，不用一下子传好多相同的key，在数据量非常大的时候，这样的优化可以节省很多网络带宽和本地磁盘IO流的读写，具体的代码实现：定义一个combiner类，集成Reducer，输入类型和map的输出类型相同。
关于大量小文件的优化策略：
(1) 默认情况下，TextInputFormat对任务的切片机制是按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个maptask，这样，如果有大量小文件，就会产生大量的maptask，处理效率极其低下；
(2) 优化策略：最好的方法是，在数据处理系统的最前端(预处理/采集)，就将小文件先合并成大文件，再上传到HDFS做后续分析。补救措施是，如果已经是大量小文件在hdfs中，可以使用另一种InputFormat来做切片(CombineFileInputFormat)，它的切片逻辑与FileInputFormat不同，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个maptask来处理。
7. MapReduce中的序列化
7.1 概述
Java的序列化是一个重量级序列化框架(Serializable)，一个对象被序列化后，会附带很多额外的信息(各种校验信息、header、继承体系等等)，不便于在网络中高效传输；所以，hadoop自己开发了一套序列化机制(Writable)，精简、高效。
7.2 自定义对象实现MR中的序列化接口
如果需要将自定义的bean放在key中传输，则还需要实现comparable接口，因为mapreduce的shuffle流程一定会对key进行排序，此时，自定义的bean实现的接口应该是：public class FlowBean implements WritableComparable<FlowBean>
