Spark自定义分区器
要实现自定义的分区器,你需要继承 org.apache.spark.Partitioner, 并且需要实现下面的方法:
1.numPartitions
该方法需要返回分区数, 必须要大于0.
2.getPartition(key)
返回指定键的分区编号(0到numPartitions-1)。
3.equals
Java 判断相等性的标准方法。这个方法的实现非常重要,Spark 需要用这个方法来检查你的分区器对象是否和其他分区器实例相同,这样 Spark 才可以判断两个 RDD 的分区方式是否相同
4.hashCode
如果你覆写了equals, 则也应该覆写这个方法.
以下是通过自定义分区器实现自定义分区规则
import org.apache.spark.rdd.RDD
import org.apache.spark.{Partitioner, SparkConf, SparkContext}
/*
使用自定义的 Partitioner 是很容易的 :只要把它传给 partitionBy() 方法即可。
Spark 中有许多依赖于数据混洗的方法,比如 join() 和 groupByKey(),
它们也可以接收一个可选的 Partitioner 对象来控制输出数据的分区方式。
*/
package com.bigdata.spark.core
import org.apache.spark.rdd.RDD
import org.apache.spark.{Partitioner, SparkConf, SparkContext}
object Spark_RDD_Transform {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[*]").setAppName("Spark_RDD_Transform")
val sc: SparkContext = new SparkContext(conf)
// 算子 - 转换 - partitionBy
val datas = List( ("cba", "xxxx"), ("nba", "yyyy"), ("ball", "zzzz"),(2, "tttt") )
val dataRDD = sc.makeRDD(datas,1)
// 重分区 : 根据指定的规则对数据进行分区
//(1)调用的spark自带的HashPartitioner分区器
//val rdd = dataRDD.partitionBy( new org.apache.spark.HashPartitioner(3) )
//(2)调用的是自定义的分区器
val rdd = dataRDD.partitionBy( new MyPartitioner(3) )
val mapRDD = rdd.mapPartitionsWithIndex(
(index, datas) => {
datas.foreach(data => {
println(index + "=" + data)
})
datas
}
)
mapRDD.collect()
sc.stop()
}
}
// 自定义分区器步骤如下:
// 1. 继承Partitioner
// 2. 重写方法
class MyPartitioner(num:Int) extends Partitioner {
// 这个方法需要返回你想要创建分区的个数
override def numPartitions: Int = {
num
}
// 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
override def getPartition(key: Any): Int = {
if ( key.isInstanceOf[String] ) {
val keyString: String = key.asInstanceOf[String]
if ( keyString == "cba" ) {//自定义将keystring=cba的放在0号分区中
0
} else if ( keyString == "nba" ) {
1
} else {
2
}
} else {
2
}
}
}
自定义分区器应用的例子
1.使用Spark实现TopN的获取:
(1)自定义分区器,按照key进行分区,使不同的key进到不同的分区
(2)对每个分区运用spark的排序算子进行排序
2.使用自定义分区器实现对key的自定义分区可以有效解决数据倾斜问题