hadoop 2.2.0 关于map和reduce的个数的设置

Question

关于hadoop中的map过程，我的理解是每一个map系统会开启一个JVM进程来处理，map之间相互并行，map函数内串行。这样的想法是否正确？

由于想在hadoop集群上算一个初始输入数据不多，但是计算很复杂的程序，希望通过mapreduce来达到并行计算的目的。可以通过job.setNumReduceTasks(0);语句设置reduce个数为0,只使用map来计算。但是设置map的个数时遇到了问题：新的API中job没有类似setNumMapTasks()这样的方法; 在运行时加入参数-D mapreduce.map.tasks=2这样的参数也无效。

查过好多资料，好像是说map的个数取决于block_size、total_size等参数。但是都说的是1.x版本的设置，hadoop 2.2.0上并没有找到mapred.map.tasks、mapred.min.split.size等对应的设置方法。

由于我的输入文件只有一个文件，而且不算是“大数据”，只是单纯想在hadoop上实现并行，所以我希望能够设置一个最少的map数目，以便能在各个计算节点上并行。请问我应该如何设置？

Answer 1

最近看到一本书，上面介绍自定义InputFormat来控制map个数以及存储位置。稍微看了下FileInputFormat的接口，发现居然有setMaxInputSplitSize()这个静态方法。（自己以前怎么没发现！！ 也怪自己懒，不愿意去找） 在run方法中加了这么一句FileInputFormat.setMaxInputSplitSize(job, 1048576), 再次运行貌似有效，程序生成了6个map来运行。但感到没法解释的有两点：1.此处设置的值为1048576(1M)，我的输入文件有20.95MB，如果最大份片大小为1M的话应该有20多个map。其中必然有更细致的判断，还得研究以下相应处理的代码才能解决；2. 6个map全在同一个节点上运行，没有分到不同节点上；我的环境为hadoop 2.2.0，我曾经试过修改dfs.blocksize等配置参数，但是似乎都没有生效。不知道为什么会出现配置参数无效的情况。补充：刚才了解到最终的分片大小splitSize受到maxsize、minsize以及blocksize的影响。设置FileInputFormat.setMinInputSplitSize(job, 1)后，map数果然达到了20。