spark自定义分区

Spark分区

1分区：

• 自定义分区在对RDD数据进行分区时，默认使用的是 HashPartitioner，该partitioner对key进行哈希，然后mod 上分区数目，mod的结果相同的就会被分到同一个partition中如果嫌HashPartitioner 功能单一，可以自定义partitioner。

2.自定义分区

• 实现自定义分区分为三个步骤：

  1.继承org.apache.spark.partitioner
  2.重写numPartitons和getPartition方法
  3.在分区使用
  

3.代码示例：

• TestPartitionerMain.scala

package cn.wc.rdd

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object TestPartitionerMain {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf().setAppName("wcSpark01").setMaster("local[2]")
    val sc = new SparkContext(sparkConf)
    sc.setLogLevel("warn")
    // 造点数据
    val data: RDD[String] = sc.parallelize(List("hadoop", "hdfs", "hive", "spark", "flume", "kafka", "sqoop", "python", "java"))
    // 获取每一个元素的长度，封装成一个元组
    val wordLengthRDD: RDD[(String, Int)] = data.map(x => (x, x.length))
    // 对RDD进行自定义分区 这里可以自定义分区数量
    val result:RDD[(String,Int)] = wordLengthRDD.partitionBy(new NewPartitioner(3))
    result.saveAsTextFile("./data")
    sc.stop()
  }
}

• NewPartitioner.scala

  package cn.wc.rdd
  import org.apache.spark.Partitioner
  
  class NewPartitioner(num:Int) extends Partitioner {
    // 用于指定RDD分区数
    override def numPartitions: Int = {
      num
    }
    // 指定分区策略  数据后期按照自定义规则指定到分区中
    override def getPartition(key: Any): Int = {
      // key 是单词
      val partiton:Int = Math.abs(key.toString.hashCode % num)
      partiton
    }
  }
  
  

? 执行完会在当前目录data下生成3个分区文件

• 自定义分区：

  package cn.wc.rdd
  
  
  import org.apache.spark.Partitioner
  
  
  class MyPartitioner(num:Int) extends Partitioner{
    // 用于指定RDD分区数
    override def numPartitions: Int = {
      num
    }
    // 指定分区策略  数据后期按照自定义规则指定到分区中
    override def getPartition(key: Any): Int = {
      // 按照单位的长度指定进入到对应分区中
      val length:Int = key.toString.length
      length match {
        case 4 => 0
        case 5 => 1
        case 6 => 2
        case _ => 0
      }
    }
  }
  

spark自定义分区

原文：https://www.cnblogs.com/xujunkai/p/14921392.html