要点
- hadoop 中的 Partitioner 阶段针对 Map 阶段输出的数据进行分区处理。Partitioner 对 key 进行分区处理,使拥有不同的 key 的数据被分到不同的 Reduce 中处理;
- 其处理位置是在节点本身位置上;
- 其处理意义在于可以在 Reduce 之前进行一次分类,提高效率。可以自定义 key 的分区规则,如数据文件包含不同的省份,而输出的要求是每个省份输出一个文件;
- 在没有自定义 Partitioner 阶段时,框架本身有默认的HashPartitioner;
自定义 Partitioner 过程:
- 继承抽象类 Partitioner,实现自己的 getPartitioner() 方法;
- 通过 job.setPartitionerClass() 来设置自定义的 Partitioner 类;
- 通过job.setNumReduceTasks()来设置 Reduce 的数量,最好是分来几个区就设置几个 Reduce 。
例子
- 假设:
139 联通号段
138 移动号段
159 电信号段 - 背景:
要求 Reduce 产生的数据文件根据不同运营商而分成不同的独立文件,例如,所有联通号段的处理结果要在一个独立文件中,而移动的号段的处理结果要在一个独立的文件中,同样电信的处理结果也是要在一个独立的文件中。 - 处理过程:
通过 Map 阶段送过来的 Key 值进行提取对分区有用的数据(号码前三位),然后判断对应 Key 属于哪个分区,然后返回分区号即可。这样对应的 Key 就会进入相同的分区中进行处理,然后生成的结果数据在一个文件中。
public static class ServiceProviderPartitioner extends Partitioner<Text, DataBean>{
private static Map<String, Integer> providerMap = new HashMap<String, Integer>();
static {
providerMap.put("139", 1);
providerMap.put("138", 2);
providerMap.put("159", 3);
}
@Override
public int getPartition(Text key, DataBean value, int number) {
String telNo = key.toString();
String pcode = telNo.substring(0, 3);
Integer p = providerMap.get(pcode);
if(p == null){
p = 0;
}
return p;
}
}