1 思考- sc.txexFile会发生数据倾斜吗?自定义有必要吗?
一个task读取一个block中的数据,多少个block就会产生多少个Task,如果两个Task之间数据相差很多,那是因为两个block中数据分布不均匀造成的。。。
从HDFS读取数据,如果HDFS数据存在很多block,会使得分区partition很多,远远大于core数,这时候可以使用repartition方法将分区减少,但是最好的办法是从根源解决,所以自定义RDD,自行设定每个RDD读取字节起始范围,从而实现partition自定义化;
2 思路
只需要重写3个方法:getPartitions getPreferredLocations compute
- getPartitions :返回一个Partition数组,也就是当前读取HDFS数据需要划分为多少个分区,默认情况下,分区数和HDFS数据的block数是一致的
- getPreferredLocations:当一个Task带着Partition过来,返回这个Task优先在哪几个节点进行计算,返回是一个Seq,其实就是partition中的数据所在hdfs block的主数据和备份数据所在节点
- compute:Task带着Partition过来,返回此partitin中的数据的Iterator读取接口(这个需要自己实现,根据此Partition对应的HDFS block数据构建InputStream读取流,然后返回一个自定义的Iterator)
3 实现代码
- MyIterator:自定义的将InputStream流转换成scala.Iterator,注意实现了完整行的读取。
- CustomeRDDHDFS:自定义的读取HDFS的RDD类
- CustomeRDDHDFSTest:测试读取HDFS数据的测试类
运行效果发现和sc.textFile是一样的
代码已上传