继上一篇:Spark分区器探索(HashPartitioner、RangePartitioner),现来看看自定义分区器。
继承 org.apache.spark.Partitioner 类并实现下面三个方法。
(1)numPartitions: Int:设置分区数。
(2)getPartition(key: Any): Int:返回给定key计算出的分区编号(0到numPartitions-1)。
(3)equals():判断分区器是否相等的方法。用于判断当前使用分区器对象与其他分区器实例是否相等相同,以此判断两个 RDD 的分区方式是否相同。
示例代码如下:
import org.apache.spark.rdd.RDD
import org.apache.spark.{ SparkConf, SparkContext}
class MyPartitioner(numParts:Int) extends org.apache.spark.Partitioner{
//number of partitions
override def numPartitions: Int = numParts
//get partition id base on key
override def getPartition(key: Any): Int = {
/* val ckey: String = key.toString
ckey.substring(ckey.length-1).toInt%numParts*/
key.toString.toInt%numPartitions
}
override def equals(other: Any): Boolean = other match {
case h: MyPartitioner =>
h.numPartitions == numPartitions
case _ =>
false
}
}
object partitionTest {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("TestPartitioner").setMaster("local[*]")
val sc = new SparkContext(conf)
//map to kv
val r1: RDD[(Int, Int)] = sc.parallelize(1 to 10,5).map((_,1))
//partition by MyPatitioner, and map to resource
val rp: RDD[Int] = r1.partitionBy(new MyPartitioner(2)).map(_._1)
rp.mapPartitionsWithIndex((index,items)=>items.map((index,_))).collect.foreach(println)
sc.stop()
}
}
运行结果:
(0,2)
(0,4)
(0,6)
(0,8)
(0,10)
(1,1)
(1,3)
(1,5)
(1,7)
(1,9)
在以上代码中创建了一个分区数为5的RDD,随后运用partitionBy(new MyPartitioner(2)
重新分为两个分区并输出对应分区数据。