hive中如何控制mapper的数量
参考文档：https://www.cnblogs.com/1130136248wlxk/articles/5352154.html
1. 决定map的数据的决定因素有: input的文件总个数，input的文件大小，集群设置的文件块大小(目前为128M, 可在hive中通过set dfs.block.size;命令查看到，该参数不能自定义修改)；
2.是不是map数越多越好，如何减少？
a. 不是越多越好，多了会造成资源的浪费；因为map任务的启动和初始化的时间，远远大于逻辑处理的时间；并且，map的数据是有限制的。
b. 可以通过set设置，让map在执行前合并小文件，从而达到减少map数:
比如: set mapred.max.split.size=100000000; -- 决定每个map处理的最大的文件大小，单位为B
set mapred.min.split.size.per.node=100000000; -- 节点中可以处理的最小的文件大小
set mapred.min.split.size.per.rack=100000000; -- 机架中可以处理的最小的文件大小
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;---实现map中的数据合并需要设置下面的参数，集群默认就是这个格式
一般如下设置：
set mapred.max.split.size = 256000000;
set mapred.min.split.size.per.node = 128000000;
set mapred.min.split.size.per.rack = 128000000;
set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
3. 是不是每个map处理的接近128M的文件块，就OK了呢? 如果不OK，如何增加map的数量?
a. 并不一定。当文件接近128M，但是里的内容却非常多的时候并且map处理的逻辑比较复杂。那么用一个map处理，则时间会比较长
b. 把原来的单个文件拆分成多个的文件， 然后使用新的文件来执行sql。
set mapred.reduce.tasks=10;
create table a_1 as
select * from a
distribute by rand(123);
4. 控制map整体原则：
1：大数据量要利用合适的map数；单个map要处理合适的数据量 。
2：map占用资源要合并小文件;map不足要把大文件拆成小文件。
5.reduce简单总结：
a. 有多少个reduce,就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；
b.什么情况下只有一个reduce:
1. 没有group by就进行count(1)。
2.使用了order by。
3.存在笛卡儿积。因为这些都是全局操作，生成一个文件，就只有1个reduce。
c. set mapred.reduce.tasks/set hive.exec.reducers.bytes.per.reducer=1073741824 -- 每个reduce处理的数据量,默认1GB
6. map数量一些深入的知识：
a. default_num = total_size/block_size,默认情况下map的个数
b.可以通过set mapred.map.tasks = goal_num 来设置期望的map数量，但是这个数量仅在大于default_num 的时候才会生效。
c. 可以通过set mapred.min.split.size来设置每个task的文件大小，但是这个数量在大于block_size的时候才会生效。
split_size = max(mapred.min.split.size,block_size);
split_num = total_szie/split_size
1. Hive自己如何确定reduce数：
reduce个数的设定极大影响任务执行效率，不指定reduce个数的情况下，Hive会猜测确定一个reduce个数，基于以下两个设定：
hive.exec.reducers.bytes.per.reducer（每个reduce任务处理的数据量，默认为1000^3=1G）
hive.exec.reducers.max（每个任务最大的reduce数，默认为999）
计算reducer数的公式很简单N=min(参数2，总输入数据量/参数1)
即，如果reduce的输入（map的输出）总大小不超过1G,那么只会有一个reduce任务；
如：select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt;
/group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04 总大小为9G多，因此这句有10个reduce
2. 调整reduce个数方法一：
调整hive.exec.reducers.bytes.per.reducer参数的值；
set hive.exec.reducers.bytes.per.reducer=500000000; （500M）
select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt; 这次有20个reduce
3. 调整reduce个数方法二；
set mapred.reduce.tasks = 15;
select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt;这次有15个reduce
4. reduce个数并不是越多越好；
同map一样，启动和初始化reduce也会消耗时间和资源；
另外，有多少个reduce,就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；
5. 什么情况下只有一个reduce；
很多时候你会发现任务中不管数据量多大，不管你有没有设置调整reduce个数的参数，任务中一直都只有一个reduce任务；
其实只有一个reduce任务的情况，除了数据量小于hive.exec.reducers.bytes.per.reducer参数值的情况外，还有以下原因：
a) 没有group by的汇总，比如把select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt; 写成 select count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04';
这点非常常见，希望大家尽量改写。
b) 用了Order by
c) 有笛卡尔积
通常这些情况下，除了找办法来变通和避免，我暂时没有什么好的办法，因为这些操作都是全局的，所以hadoop不得不用一个reduce去完成；
同样的，在设置reduce个数的时候也需要考虑这两个原则：使大数据量利用合适的reduce数；使单个reduce任务处理合适的数据量；
转自：
https://www.cnblogs.com/chengdu-jackwu/p/10170895.html
https://www.cnblogs.com/1130136248wlxk/articles/5352154.html