Amazon EMR 未使用所有节点

Question

我正在使用 4 个核心节点..

我正在使用 hive 对表运行查询。

各种查询似乎都在利用容量。

我的表由 8 个整数字段和大约 1000 行组成。

表格查询

从 tbl 中选择 avg(col1-col2)； 从 tbl 中选择计数（*）； 以及我尝试过的所有其他查询 正在生产

reducer 数量=1，mapper 数量=1

我尝试过使用 set mapred.reduce.tasks=4;

但它不起作用。

最奇怪的是，当我使用 mapred.job.tracker=local 时，这意味着本地节点本身上的一个 map 和一个 reduce，任务完成的速度是原来的两倍。

除一个之外的所有 reduce/map 插槽始终打开。

为什么增加容量并没有稍微改善执行时间？ 我的数据样本是否太小以至于增加容量无关紧要，而本地化映射和缩减实际上可以缩短时间？

Answer 1

你得到一个映射器的原因是你的表太小了。我假设你的 1000 行表是一个比你的 HDFS 块大小小得多的文件。尝试一百万行或更大的表，您将开始看到它使用多个映射器。 The answers to this question 有更多关于如何选择映射器数量的信息。

你得到一个 reducer 的原因是两件事的结合。首先，您正在处理少量数据（对于 Hive），因此您最终得到了一个 reducer。其次，一些查询（如COUNT(*) FROM some_table）必须有一个reducer（see the question here）

您明确说明了为什么在本地运行作业更快。 1000 行表非常适合测试查询的逻辑，但不适用于确定运行时之类的东西。在集群上而不是在本地运行 Hive 可能只有在您拥有 GB 量级的数据后才会开始变得更好。 Hive 绝对不是“适合这项工作的工具”，直到您进入涉及至少 10 GB 的查询，尽管 100 GB 或 TB（或更多）更容易证明是合理的。