本文共 1440 字，大约阅读时间需要 4 分钟。
Mapper数据过大的话，会产生大量的小文件，过多的Mapper创建和初始化都会消耗大量的硬件资源。Mapper数太小，并发度过小，Job执行时间过长，无法充分利用分布式硬件资源。
Mapper数量由什么决定？
输入目录中文件数量决定多少个Map会被运行起来，应用针对每一个分片运行一个Map。对于每一个输入的文件会有一个map split。如果输入文件超过了HDFS块的大小（128M）那么对于同一个输入文件会有多余2个的Map运行起来。
涉及参数：mapreduce.input.fileinputformat.split.minsize //启动map最小的split size大小，默认0mapreduce.input.fileinputformat.split.maxsize //启动map最大的split size大小，默认256Mdfs.block.size//block块大小，默认128M计算公式：splitSize = Math.max(minSize, Math.min(maxSize, blockSize)) 下面是FileInputFormat class 的getSplits()的伪代码： num_splits = 0 for each input file f: remaining = f.length while remaining / split_size > split_slope: num_splits += 1 remaining -= split_size where: split_slope = 1.1 分割斜率 split_size =~ dfs.blocksize 分割大小约等于hdfs块大小
会有一个比例进行运算来进行切片，为了减少资源的浪费。例如一个文件大小为260M，在进行MapReduce运算时，会首先使用260M/128M，得出的结果和1.1进行比较。大于则切分出一个128M作为一个分片，剩余132M，再次除以128，得到结果为1.03，小于1.1，则将132作为一个切片，即最终260M被切分为两个切片进行处理，而非3个切片。
Reduce任务是一个数据聚合的步骤，数量默认为1，一个Reduce任务对应一个输出文件。一个job的ReduceTasks数量是通过mapreduce.job.reduces参数设置，也可以通过编程的方式，调用Job对象的setNumReduceTasks()方法来设置。一个节点Reduce任务数量上限由mapreduce.tasktracker.reduce.tasks.maximum设置（默认2）。
可以采用以下探试法来决定Reduce任务的合理数量：1.每个reducer都可以在Map任务完成后立即执行： 0.95 * (节点数量 * mapreduce.tasktracker.reduce.tasks.maximum)2.较快的节点在完成第一个Reduce任务后，马上执行第二个： 1.75 * (节点数量 * mapreduce.tasktracker.reduce.tasks.maximum)
转载地址：http://ibhli.baihongyu.com/