尽管有点晚，我还是会回答的。
计算槽。你能想到在hadoop中需要一些资源的各种计算吗，比如内存/cpu/磁盘大小。
资源=所需的内存或cpu核心或磁盘大小
分配资源以启动容器，分配资源以执行Map或reduce任务等。
这完全是关于你将如何管理你手中的资源。那会是什么？ram、内核、磁盘大小。
目标是确保您的处理不受任何一个集群资源的约束。您希望处理过程尽可能动态。
例如，hadoopyarn允许您配置启动yarn容器所需的最小ram、启动map/reduce任务所需的最小ram、jvm堆大小（用于map和reduce任务）以及每个任务将获得的虚拟内存量。
与hadoopmr1不同的是，在开始执行map-reduce任务之前，不需要预先配置（例如ram大小）。从某种意义上说，您希望您的资源分配尽可能具有弹性，即动态增加map或reduce任务的ram/cpu内核。

通常它取决于cpu和内存
在outcluster中，我们为一台32核64g内存的机器设置了20个map插槽和15个reduce插槽
1.大约一个插槽需要一个cpu核
2.Map槽的数量应略多于减少

在map reduce v.1中，mapreduce.tasktracker.map.tasks.maximum和mapreduce.tasktracker.reduce.tasks.maximum用于配置Map槽的数量，并相应地减少mapred-site.xml中的槽。
从map reduce v.2（yarn）开始，containers是一个更通用的术语，用于代替slot，containers表示节点下可以并行运行的最大任务数，而不管是map task、reduce task还是application master task（in yarn）。

在mrv1中，每台机器都有固定数量的专用于maps和reduce的插槽。一般情况下，每台机器的配置比例为4:1maps:reducer on 一台机器。
从逻辑上讲，一种方法是读取大量数据（Map）并将其压缩成一个小集合（reduce）。
在mrv2中，出现了容器的概念，任何容器都可以运行map/reducer/shell脚本。