本節(jié)和大家繼續(xù)學習Hadoop，Hadoop是一個分布式系統(tǒng)基礎架構，由Apache基金會開發(fā)。它有什么奧秘呢，就讓我們一起來繼續(xù)關注Hadoop吧。

條款6：多個大輸入的Job建議使用串行執(zhí)行，多個小輸入的Job建議使用并行執(zhí)行。

Hadoop的任務處理分為map階段以及reduce階段，當集群的taskslots足夠支持多個任務同時執(zhí)行時，建議使用多任務并行執(zhí)行，反之，建議使用串行執(zhí)行，且當一個Job開始執(zhí)行reducetask

時，可以開始執(zhí)行下一個Job的maptask。

以下是我們在50臺退役機器上分別并行和串行運行2個100G，200G，300G的任務的測試結果：

條款7：reducer的個數(shù)應該略小于集群中全部reduceslot的個數(shù)。

maptask的個數(shù)由輸入文件大小決定，所以選擇合適的reducer的個數(shù)對充分利用Hadoop集群的性能有重要的意義。

Hadoop中每個task均對應于tasktracker中的一個slot，系統(tǒng)中mapperslots總數(shù)與reducerslots總數(shù)的計算公式如下：

mapperslots總數(shù)=集群節(jié)點數(shù)×mapred.tasktracker.map.tasks.maximum

reducerslots總數(shù)=集群節(jié)點數(shù)×mapred.tasktracker.reduce.tasks.maximum

設置reducer的個數(shù)比集群中全部的reducerslot略少可以使得全部的reducetask可以同時進行，而且可以容忍一些reducetask失敗。

條款8：多個簡單串行的Job優(yōu)于一個復雜的Job。將復雜的任務分割成多個簡單的任務，這是典型的分治的思想。這樣不僅可以使得程序變得更簡單，職責更單一，而且多個串行的任務還可以

在上一個任務的正在執(zhí)行reduce任務的時候，利用空閑的map資源來執(zhí)行下一個任務。

4.Key-Value權衡
Map-Reduce算法的核心過程如下：

map(k1,v1)-->list(k2,v2)

reduce(k2,list(v2))-->list(v2)

即通過用戶定義的map函數(shù)將輸入轉換為一組<Key，Value>對，而后通過用戶定義的reduce函數(shù)將<Key，List<Value>>計算出***的結果。

如何選擇合適的map和reduce函數(shù)才能充分利用Hadoop平臺的計算能力呢？換句話說，如何選擇上式中合適的K2和V2呢？

條款9：maptask或reducetask的大小應該適中，以一個task運行2-3分鐘為宜，且task不能超出計算節(jié)點的運算能力。

雖然Hadoop平臺幫助我們將數(shù)據(jù)分割成為小任務來執(zhí)行，但我們也應當意識到，每個task都是在一個計算節(jié)點運行的，若一個task對機器資源（CPU、內存、磁盤空間等）的需求超出了計算

節(jié)點的能力的話，任務將會失敗。而如果task過小的話，雖然計算節(jié)點能夠快速的完成task的執(zhí)行，但過多的task的管理開銷，以及中間結果頻繁的網(wǎng)絡傳輸將占據(jù)任務執(zhí)行的絕大部分時間，

這樣同樣會嚴重影響性能。建議的task大小***是以能夠運行2-3分鐘為宜。

條款10：map產(chǎn)生的中間結果不宜過大。

輸入數(shù)據(jù)經(jīng)過用戶定義的map函數(shù)后生成的<Key，Value>對是Map-Reduce模型的中間計算結果。

Maptask將計算的中間結果保存在本地磁盤，而后通過Reducetask拉去所有當前任務所需的中間結果，并將中間結果按Key排序。顯然若map產(chǎn)生的中間結果過大，網(wǎng)絡傳輸時間以及中間結

果排序將占據(jù)大部分的Job執(zhí)行時間。本節(jié)關于Hadoop的介紹到此結束。

【編輯推薦】

1. 實例講解Hadoop用法
2. 專家指導 如何進行Hadoop分布式集群配置
3. Hadoop集群與Hadoop性能優(yōu)化
4. HadoopHBase實現(xiàn)配置簡單的單機環(huán)境
5. 深入剖析Hadoop HBase