spark自定义分区
通过自定义的分区规则对rdd进行重新分区,并在保存的时候也可以分区保存
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.Partitioner
import scala.collection.mutable.HashMap
object CustomPatition {
def main(args: Array[String]): Unit = {
//创建sparkContext
val conf=new SparkConf().setAppName("CustomPatition").setMaster("local");
val sc=new SparkContext(conf);
//[30/Jul/2017:12:54:56 +0800] "GET /MyDemoWeb/java.jsp HTTP/1.1" 200 240 192.168.88.1 - -
val rdd1=sc.textFile("G:/msdownld.tmp/localhost_access_log.2017-07-30.txt")
.map(
(log)=>{
val line1=log.substring(log.indexOf("\"")+1, log.lastIndexOf("\""))
val line2=line1.substring(line1.indexOf(" ")+1, line1.lastIndexOf(" "))
val pageName=line2.substring(line2.lastIndexOf("/")+1);
(pageName,log)
}
)
//得到不重复的网页
val rdd2=rdd1.map(_._1).distinct().collect();
//创建分区
val mypartitioner=new MyPartitioner(rdd2);
//按分区规则重建分区
val rdd3=rdd1.partitionBy(mypartitioner);
println("重新分区后数:"+rdd3.partitions.length)
//按分区输出计算后的结果
rdd3.saveAsTextFile("G:/msdownld.tmp/output/partition")
sc.stop()
}
}
//自定义分区
class MyPartitioner(alljspName:Array[String]) extends Partitioner{
//自定义的规则直接写在类里,当创建这个类对象的时候写在类里边的代码直接执行了
var partitions=new HashMap[String,Int]()
var partId:Int=0;
for(name<-alljspName){
partitions.put(name, partId)
partId +=1
}
//获取分区号
override def getPartition(key: Any): Int = {
partitions.getOrElse(key.toString(), 0)
}
//获取总的分区数
override def numPartitions: Int =partitions.size
}
注意的是运行这个代码会报一个错
java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.
这个报错在之前的练习当中是没有问题的,一般是会在windows的开发环境下有这个问题,放到正式的环境下就没有这个问题了,这个是因为我们在环境变量中已经配置了hadoop的环境变量。但是在自定义分区中必须把这个报错解决掉,不然不能正常运行
因为我们是在本地运行的,所以我们需要找到winutils.exe的这个文件,这个文件是在hadoop的包中的,
我们只需在程序的开头加入这行代码让他找到这个文件就可以了
System.setProperty("hadoop.home.dir", "G:/msdownld.tmp/hadoop-2.4.1/hadoop-2.4.1/hadoop-2.4.1")