自定义分区器-基础

一）什么是分区
【复习提问：RDD的定义是什么？】

在 Spark 里，弹性分布式数据集（RDD）是核心的数据抽象，它是不可变的、可分区的、里面的元素并行计算的集合。

在 Spark 中，分区是指将数据集按照一定的规则划分成多个较小的子集，每个子集可以独立地在不同的计算节点上进行处理，这样可以实现数据的并行处理，提高计算效率。

可以将 Spark 中的分区类比为快递公司处理包裹的过程。假设你有一批包裹要从一个城市发送到另一个城市，快递公司会将这些包裹按照一定的规则进行分区，比如按照收件地址的区域划分。每个分区的包裹会被分配到不同的快递员或运输车辆上进行运输，这些快递员或车辆可以同时出发，并行地将包裹送到不同的区域。这就类似于 Spark 中的分区，每个分区的数据可以在不同的计算节点上同时进行处理，从而加快整个数据处理的速度。

（二）默认分区的情况
【老师编写代码，复习创建RDD的两个方法】

从集合创建 RDD（使用 parallelize 方法）
当使用 parallelize 方法从一个集合创建 RDD 时，默认分区数通常取决于集群的配置。

在本地模式下，默认分区数等于本地机器的 CPU 核心数；在集群模式下，默认分区数由 spark.default.parallelism 配置项决定。

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
val conf = new SparkConf().setAppName("DefaultPartitionExample").setMaster("local")
val sc = new SparkContext(conf)
val data = Seq(1, 2, 3, 4, 5)
val rdd = sc.parallelize(data)
println(s"默认分区数: ${rdd.partitions.length}")
sc.stop()
2.从外部存储（如文件）创建 RDD（使用 textFile 方法）

当使用 textFile 方法从外部存储（如 HDFS、本地文件系统等）读取文件创建 RDD 时，默认分区数通常由文件的块大小决定。对于 HDFS 文件，默认分区数等于文件的块数。例如，一个 128MB 的文件在 HDFS 上被分成 2 个 64MB 的块，那么创建的 RDD 默认分区数就是 2。

import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
val conf = new SparkConf().setAppName("DefaultPartitionFileExample").setMaster("local")
val sc = new SparkContext(conf)
// 假设文件存在于本地
val rdd = sc.textFile("path/to/your/file.txt")
println(s"默认分区数: ${rdd.partitions.length}")
sc.stop()
（三）分区的作用
并行计算：Spark 能够同时对多个分区的数据进行处理，充分利用集群的计算资源，进而加快作业的执行速度。例如，若一个 RDD 有 10 个分区，且集群有足够的计算资源，Spark 就可以同时处理这 10 个分区的数据。

数据局部性：分区有助于实现数据局部性，也就是让计算尽量在数据所在的节点上进行，减少数据在网络间的传输，从而降低网络开销。

容错性：当某个分区的数据处理失败时，Spark 能够重新计算该分区，而不需要重新计算整个 RDD。

object PartitionExample {
  def main(args: Array[String]): Unit = {
    // 创建 SparkConf 对象，设置应用程序名称和运行模式
    val conf = new SparkConf().setAppName("PartitionExample").setMaster("local")
    // 使用 SparkConf 创建 SparkContext 对象
    val sc = new SparkContext(conf)
 
    // 创建一个包含 10 个元素的 Seq
    val data = Seq(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
    // 使用 parallelize 方法创建 RDD，并设置分区数为 3
    val rdd = sc.parallelize(data, 3)
 
    // 将 RDD 保存为文本文件，保存路径为 "output"
    rdd.saveAsTextFile("output")
 
    // 停止 SparkContext，释放资源
    sc.stop()
  }
}