Spark自定义分区(Partitioner)

我们都知道Spark内部提供了HashPartitioner和RangePartitioner两种分区策略(这两种分区的代码解析可以参见：《Spark分区器HashPartitioner和RangePartitioner代码详解》)，这两种分区策略在很多情况下都适合我们的场景。但是有些情况下，Spark内部不能符合咱们的需求，这时候我们就可以自定义分区策略。为此，Spark提供了相应的接口，我们只需要扩展Partitioner抽象类，然后实现里面的三个方法：

package org.apache.spark   /**   * An object that defines how the elements in a key-value pair RDD are partitioned by key.   * Maps each key to a partition ID, from 0 to `numPartitions - 1`.   */ abstract class Partitioner extends Serializable {    def numPartitions : Int    def getPartition(key : Any) : Int }

　　def numPartitions: Int：这个方法需要返回你想要创建分区的个数；
　　def getPartition(key: Any): Int：这个函数需要对输入的key做计算，然后返回该key的分区ID，范围一定是0到numPartitions-1；
　　equals()：这个是Java标准的判断相等的函数，之所以要求用户实现这个函数是因为Spark内部会比较两个RDD的分区是否一样。

　　假如我们想把来自同一个域名的URL放到一台节点上，比如:https://www.iteblog.com和https://www.iteblog.com/archives/1368，如果你使用HashPartitioner，这两个URL的Hash值可能不一样，这就使得这两个URL被放到不同的节点上。所以这种情况下我们就需要自定义我们的分区策略，可以如下实现：

package com.iteblog.utils   import org.apache.spark.Partitioner   /**   * User: 过往记忆   * Date: 2015-05-21   * Time: 下午23:34   * bolg: https://www.iteblog.com   * 本文地址：https://www.iteblog.com/archives/1368   * 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货   * 过往记忆博客微信公共帐号：iteblog_hadoop   */   class IteblogPartitioner(numParts : Int) extends Partitioner {    override def numPartitions : Int = numParts      override def getPartition(key : Any) : Int = {      val domain = new java.net.URL(key.toString).getHost()      val code = (domain.hashCode % numPartitions)      if (code < 0 ) {        code + numPartitions      } else {        code      }    }      override def equals(other : Any) : Boolean = other match {      case iteblog : IteblogPartitioner = >        iteblog.numPartitions == numPartitions      case _ = >        false    }      override def hashCode : Int = numPartitions }

因为hashCode值可能为负数，所以我们需要对他进行处理。然后我们就可以在partitionBy()方法里面使用我们的分区：

iteblog.partitionBy( new IteblogPartitioner( 20 ))

　　类似的，在Java中定义自己的分区策略和Scala类似，只需要继承org.apache.spark.Partitioner，并实现其中的方法即可。

　　在Python中，你不需要扩展Partitioner类，我们只需要对iteblog.partitionBy()加上一个额外的hash函数，如下：

import urlparse   def iteblog_domain(url):    return hash (urlparse.urlparse(url).netloc)   iteblog.partitionBy( 20 , iteblog_domain)

本文转自https://www.iteblog.com/archives/1368.html，所有权力归原作者所有，侵权请联系删除