自定义分区partitioner实现数据分区存储

Spark中分区器直接决定了RDD中分区的个数、RDD中每条数据经过Shuffle过程属于哪个分区和Reduce的个数
注意:
(1)只有Key-Value类型的RDD才有分区的,非Key-Value类型的RDD分区的值是None
(2)每个RDD的分区ID范围:0~numPartitions-1,决定这个值是属于那个分区的。
参考:http://blog.csdn.net/high2011/article/details/68491115

package com.ljt.spark01.weblog

import java.net.URL

import org.apache.spark.HashPartitioner
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

/**
* 自定义分区partitioner实现数据分区存储
*/
object UrlCountPartition {

def main(args: Array[String]): Unit = {
val arr_course = Array(“java.itcast.cn”, “php.itcast.cn”, “net.itcast.cn”)
val conf = new SparkConf().setAppName(“AdvUrlCount”)
.setMaster(“local[2]”)
val sc = new SparkContext(conf)

//将数据切分为元组(URL,1)存放在RDDl
val RDD1 = sc.textFile("data/usercount/IT_education.log").map { x =>
  val f = x.split("\t")
  //去掉时间,每出现一次URL,记为一个元组(url,1)
  (f(1), 1)
}
//对相同的key的每个元组的值进行自加
//(http://php.itcast.cn/php/course.shtml,459)
val rdd_urlCount = RDD1.reduceByKey(_ + _)

//获取url的前缀Host做为课程标识
//(php.itcast.cn,http://php.itcast.cn/php/course.shtml,459)
val rdd_urlHost = rdd_urlCount.map(f => {
  val url = f._1
  val countUrl = f._2
  val host = new URL(url).getHost
  //为了方便按照分区内部排序需要使用K-V,元组
  (host, (url, countUrl))
}).cache() //cache会将数据缓存到内存当中,cache是一个Transformation,lazy
//url去重,得到所有host课程种类
val ints = rdd_urlHost.map(_._1).distinct().collect()
//实例化分区
val hostPartitioner = new HostPartition(ints)
//每个分区内部排序,取出前3名
val rdd_Partitioners = rdd_urlHost.partitionBy(hostPartitioner)
  .mapPartitions(it => {
    it.toList.sortBy(_._2._2).reverse.take(3).iterator
  })

rdd_Partitioners.saveAsTextFile("data/out/out_partitioner")
/**
 * ArrayBuffer((net.itcast.cn,(http://net.itcast.cn/net/course.shtml,521)), (net.itcast.cn,(http://net.itcast.cn/net/video.shtml,521)), (net.itcast.cn,(http://net.itcast.cn/net/teacher.shtml,512)), (java.itcast.cn,(http://java.itcast.cn/java/course/cloud.shtml,1028)), (java.itcast.cn,(http://java.itcast.cn/java/course/javaee.shtml,1000)), (java.itcast.cn,(http://java.itcast.cn/java/course/base.shtml,543)), (php.itcast.cn,(http://php.itcast.cn/php/video.shtml,490)), (php.itcast.cn,(http://php.itcast.cn/php/teacher.shtml,464)), (php.itcast.cn,(http://php.itcast.cn/php/course.shtml,459)))
 */
println(rdd_Partitioners.collect().toBuffer)
sc.stop()

}

}

 package com.ljt.spark01.weblog

import org.apache.spark.Partitioner
import scala.collection.mutable.HashMap

/** 
 * 重写partition分区,按规则存储分区数据
 */
class HostPartition(ins: Array[String]) extends Partitioner {

  val parMap = new HashMap[String, Int]()
  var count = 0
  for (i <- ins) {
    parMap += (i -> count)
    count += 1
  }

  override def numPartitions: Int = {
    ins.length
  }

  def getPartition(key: Any): Int = {
    parMap.getOrElse(key.toString(), 0)
  }

}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
好的,下面是 Spark 自定义分区器的实现步骤和代码: 1. 创建一个自定义分区器类,继承自 `org.apache.spark.Partitioner` 类。例如: ```java import org.apache.spark.Partitioner; public class CustomPartitioner extends Partitioner { private int numPartitions; public CustomPartitioner(int numPartitions) { this.numPartitions = numPartitions; } @Override public int numPartitions() { return numPartitions; } @Override public int getPartition(Object key) { // 实现自定义分区逻辑,返回分区编号 } } ``` 2. 在 Spark 应用程序中,使用自定义分区器对 RDD 进行分区。例如: ```java // 创建 RDD JavaRDD<String> lines = sc.textFile("hdfs://..."); // 使用自定义分区器对 RDD 进行分区 JavaPairRDD<String, Integer> pairs = lines .flatMap(line -> Arrays.asList(line.split(" ")).iterator()) .mapToPair(word -> new Tuple2<>(word, 1)) .partitionBy(new CustomPartitioner(10)); // 统计每个分区中单词出现的次数 JavaPairRDD<String, Integer> counts = pairs.reduceByKey((a, b) -> a + b); // 输出结果 counts.saveAsTextFile("hdfs://..."); ``` 以上代码实现了一个简单的单词计数应用程序,使用了自定义分区器将数据分为 10 个分区,然后对每个分区内的单词进行计数。 需要注意的是,自定义分区器的实现要根据具体的业务逻辑来设计,可以根据数据的特征进行划分,以确保每个分区内的数据量相对均衡,避免出现数据倾斜的情况。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ljtyxl

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值