spark--transform算子--repartition

import org.apache.spark.{SparkConf, SparkContext}

import scala.collection.mutable.ArrayBuffer

/**
  * Created by liupeng on 2017/6/16.
  */
object T_repartition {
  System.setProperty("hadoop.home.dir","F:\\hadoop-2.6.5")

  def fun_index(index : Int, iter : Iterator[String]) : Iterator[String] = {
    var list  = ArrayBuffer[String]()
    while (iter.hasNext)
    {
      val name : String = iter.next()
      var fs = index + ":" + name
      list += fs
      println(fs)
    }
    return list.iterator
  }

  def fun_index1(index : Int, iter : Iterator[String]) : Iterator[String] = {
    var list  = ArrayBuffer[String]()
    while (iter.hasNext)
    {
      val name : String = iter.next()
      var fs = index + ":" + name
      list += fs
      println(fs)
    }
    return list.iterator
  }


  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("repartition_test").setMaster("local")
    val sc = new SparkContext(conf)

    //repartition，功能是将RDD的partition的数量增多或者减少
    //建议使用场景
    //一个很经典的场景，使用sparkSQL从HIVE中查询数据的时候，sparkSQL会根据HIVE对应的hdfs文件的block的数量决定加载出来的partition有多少个
    //这里默认的partition的数量是我们无法设置
    //有些时候，可能他会自动设置的partition的数量过于少了，为了进行优化，可以提高并行度，就是对RDD使用repartition算子
    val nameList : List[String] = List("liupeng1", "liupeng2", "liuipeng3",
      "liupeng4", "liupeng5", "liupeng6",
      "liupeng7", "liupeng8", "liupeng9",
      "liupeng10", "liupeng11", "liupeng12"
    )

    val nameRDD = sc.parallelize(nameList, 3)
    val nameRDD2 = nameRDD.mapPartitionsWithIndex(fun_index)
    val nameRDD3 = nameRDD2.repartition(6)
    val nameRDD4 = nameRDD3.mapPartitionsWithIndex(fun_index1)
    val info : Array[String] = nameRDD4.collect()
  }
}

运行结果：

0:liupeng1
0:liupeng2
0:liuipeng3
0:liupeng4

1:liupeng5
1:liupeng6
1:liupeng7
1:liupeng8

2:liupeng9
2:liupeng10
2:liupeng11
2:liupeng12

0:1:liupeng7
0:2:liupeng10

1:0:liupeng1
1:1:liupeng8
1:2:liupeng11

2:0:liupeng2
2:2:liupeng12

3:0:liuipeng3

4:0:liupeng4

4:1:liupeng5

5:1:liupeng6
5:2:liupeng9