Spark自定义分区(Partitioner)

转自：http://www.iteblog.com/archives/1368

我们都知道Spark内部提供了HashPartitioner和RangePartitioner两种分区策略，这两种分区策略在很多情况下都适合我们的场景。但是有些情况下，Spark内部不能符合咱们的需求，这时候我们就可以自定义分区策略。为此，Spark提供了相应的接口，我们只需要扩展Partitioner抽象类，然后实现里面的三个方法：

01	package org.apache.spark

02

03

/**

04	* An object that defines how the elements in a key-value pair RDD are partitioned by key.

05	* Maps each key to a partition ID, from 0 to `numPartitions - 1`.

06

*/

07	abstract class Partitioner extends Serializable {

08	def numPartitions: Int

09	def getPartition(key: Any): Int

10

}

　　def numPartitions: Int：这个方法需要返回你想要创建分区的个数；
　　def getPartition(key: Any): Int：这个函数需要对输入的key做计算，然后返回该key的分区ID，范围一定是0到numPartitions-1；
　　equals()：这个是Java标准的判断相等的函数，之所以要求用户实现这个函数是因为Spark内部会比较两个RDD的分区是否一样。

　　假如我们想把来自同一个域名的URL放到一台节点上，比如:http://www.iteblog.com和http://www.iteblog.com/archives/1368，如果你使用HashPartitioner，这两个URL的Hash值可能不一样，这就使得这两个URL被放到不同的节点上。所以这种情况下我们就需要自定义我们的分区策略，可以如下实现：

01	package com.iteblog.utils

02

03	import org.apache.spark.Partitioner

04

05

/**

06	* User: 过往记忆

07	* Date: 2015-05-21

08	* Time: 下午23:34

09	* bolg: http://www.iteblog.com

10	* 本文地址：http://www.iteblog.com/archives/1368

11	* 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货

12	* 过往记忆博客微信公共帐号：iteblog_hadoop

13

*/

14

15	class IteblogPartitioner(numParts: Int) extends Partitioner {

16	override def numPartitions: Int = numParts

17

18	override def getPartition(key: Any): Int = {

19	val domain = new java.net.URL(key.toString).getHost()

20	val code = (domain.hashCode % numPartitions)

21	if (code < 0) {

22	code + numPartitions

23

} else {

24

code

25

}

26

}

27

28	override def equals(other: Any): Boolean = other match {

29	case iteblog: IteblogPartitioner =>

30	iteblog.numPartitions == numPartitions

31

case _ =>

32

false

33

}

34

35	override def hashCode: Int = numPartitions

36

}

因为hashCode值可能为负数，所以我们需要对他进行处理。然后我们就可以在partitionBy()方法里面使用我们的分区：

1	iteblog.partitionBy(new IteblogPartitioner(20))

　　类似的，在Java中定义自己的分区策略和Scala类似，只需要继承org.apache.spark.Partitioner，并实现其中的方法即可。

　　在Python中，你不需要扩展Partitioner类，我们只需要对iteblog.partitionBy()加上一个额外的hash函数，如下：

查看源代码

打印 帮助

1	import urlparse

2

3	def iteblog_domain(url):

4	return hash(urlparse.urlparse(url).netloc)

5

6	iteblog.partitionBy(20, iteblog_domain)