十五 Shuffle机制之parttition分区

1 Shuffle过程

Map方法之后，Reduce方法之前的数据处理过程称之为Shuffle.

整体过程就不作介绍.可以看一下MapReduce工作流程
https://blog.csdn.net/andyonlines/article/details/104529634
里面的 7) - 13) 就是Shuffle过程的介绍.

2 Partition 分区

(1) 问题引出

要求将统计条件的结果输出到不同的文件中(分区).比如:将统计结果按照手机归属地不同省份输出到不同的文件中(分区)

(2)默认Partition分区是根据key的hashCode对ReduceTask个数取模得到的.用户没法控制哪个key存储到哪个区.

(3) 自定义Partition步骤

​ 1) 自定义类继承Partition类,重写getPartition方法

​ 2) 在Job驱动中,设置自定义Partitioner

job.setPartitionerClass(CustomePartition.class);

3. 自定义Partitioner后,要根据逻辑设置ReduceTask的数量

job.setNumReduceTask(5);

(4) 分区总结

[1] 如果ReduceTask 数量 > getPartition的数量,则会多产生出几个空的输出文件
[2] 如果1 < ReduceTask 数量 < getPartition的数量,会产生异常.
[3] 1 = ReduceTask 数量,那只能产生一个文件.
[4] 分区必须从0开始,逐一增加

(5) 案例
[1] 需求
将统计结果按照手机归属地不同省份输出到不同文件中（分区）
数据:

1	13736230513	192.196.100.1	www.baidu.com	2481	24681	200
2	13846544121	192.196.100.2			264	0	200
3 	13956435636	192.196.100.3			132	1512	200
4 	13966251146	192.168.100.1			240	0	404
5 	18271575951	192.168.100.2	www.baidu.com	1527	2106	200
6 	84188413	192.168.100.3	www.baidu.com	4116	1432	200
7 	13590439668	192.168.100.4			1116	954	200
8 	15910133277	192.168.100.5	www.hao123.com	3156	2936	200
9 	13729199489	192.168.100.6			240	0	200
10 	13630577991	192.168.100.7	www.shouhu.com	6960	690	200
11 	15043685818	192.168.100.8	www.baidu.com	3659	3538	200
12 	15959002129	192.168.100.9	www.baidu.com	1938	180	500
13 	13560439638	192.168.100.10			918	4938	200
14 	13470253144	192.168.100.11			180	180	200
15 	13682846555	192.168.100.12	www.qq.com	1938	2910	200
16 	13992314666	192.168.100.13	www.gaga.com	3008	3720	200
17 	13509468723	192.168.100.14	www.qinghua.com	7335	110349	404
18 	18390173782	192.168.100.15	www.sogou.com	9531	2412	200
19 	13975057813	192.168.100.16	www.baidu.com	11058	48243	200
20 	13768778790	192.168.100.17			120	120	200
21 	13568436656	192.168.100.18	www.alibaba.com	2481	24681	200
22 	13568436656	192.168.100.19			1116	954	200

[2] 期望输出数据

手机号136、137、138、139开头都分别放到一个独立的4个文件中，其他开头的放到一个文件中。

[3] 代码
DataBean 类 : 用来存放文件数据

package com.partition;

imp