hadoop 中map、reduce数量对mapreduce执行速度的影响

• 增加task的数量，一方面增加了系统的开销，另一方面增加了负载平衡和减小了任务失败的代价；
• map task的数量即mapred.map.tasks的参数值，用户不能直接设置这个参数。Input Split的大小，决定了一个Job拥有多少个map。默认input split的大小是64M（与dfs.block.size的默认值相同）。然而，如果输入的数据量巨大，那么默认的64M的block会有几万甚至几十万的Map Task，集群的网络传输会很大，最严重的是给Job Tracker的调度、队列、内存都会带来很大压力。mapred.min.split.size这个配置项决定了每个 Input Split的最小值，用户可以修改这个参数，从而改变map task的数量。
• 一个恰当的map并行度是大约每个节点10-100个map，且最好每个map的执行时间至少一分钟。
•  reduce task的数量由mapred.reduce.tasks这个参数设定，默认值是1。
• 合适的reduce task数量是0.95或者0.75*( nodes * mapred.tasktracker.reduce.tasks.maximum), 其中，mapred.tasktracker.tasks.reduce.maximum的数量一般设置为各节点cpu core数量，即能同时计算的slot数量。对于0.95，当map结束时，所有的reduce能够立即启动；对于0.75，较快的节点结束第一轮reduce后，可以开始第二轮的reduce任务，从而提高负载均衡。

http://blog.csdn.net/npucloud/article/details/6432145

测试总结：

一.数据2亿的数据量

整个测试过程中输入数据保持不变，输出逻辑数据保持不变

二，测试数据

第一组数据：

1.map=128，reduce=20

Elapsed:5hrs, 18mins, 56secDiagnostics: Average Map Time1hrs, 43mins, 29secAverage Reduce Time2hrs, 36mins, 2secAverage Shuffle Time1hrs, 14mins, 12secAverage Merge Time0sec

2.map=256，reduce=20

Elapsed:4hrs, 23mins, 59secDiagnostics: Average Map Time56mins, 23secAverage Reduce Time2hrs, 40mins, 58secAverage Shuffle Time1hrs, 5mins, 56secAverage Merge Time2sec

3.map=512，reduce=20

Elapsed:4hrs, 13mins, 31secDiagnostics: Average Map Time28mins, 16secAverage Reduce Time2hrs, 37mins, 19secAverage Shuffle Time56mins, 45secAverage Merge Time1mins, 39sec

由上面的数据来看，在reduce数量不变前提下

map执行时间会成倍数下降，但是shuffle和redue执行时间变化很小，导致，总体执行时间越到最后执行时间下降越缓慢

    

第二组数据：