SPARK中实现自定义分区

大家好：

 在spark的开发中，有时需要将数据按照某个字段进行分开存储，这就需要用到spark的自定义分区的功能。

先说测试数据，放在文件"C:\test\url1.log"中,数据如下所示：

20170721101954	http://sport.sina.cn/sport/race/nba.shtml
20170721101954	http://sport.sina.cn/sport/watch.shtml
20170721101954	http://car.sina.cn/car/fps.shtml
20170721101954	http://sport.sina.cn/sport/watch.shtml

说明: 仅仅用四条数据，能说明效果即可,是按照访问网页的主机名进行汇总的。

  SPARK中实现自定义分区，代码如下所示:

package day04

import java.net.URL
import org.apache.spark.{Partitioner, SparkConf, SparkContext}
import scala.collection.mutable

/**
  * 功能: 演示 程序代码中的自定义分区
  *
  */
class NewPartiton(fornum:Array[String]) extends Partitioner{
  val partmap=new mutable.HashMap[String,Int]()
  var count= 0  // 表示分区号

  // 对for循环的目的是使 每个host 作为一个分区
  for( i <- fornum){
    partmap += (i->count)
    count += 1
  }

  // 为了保证每一个域名有一个分区,就用fornum.length的形式  源码用到
  override def numPartitions: Int = fornum.length

  //获得每个key的分区号  源码用到
  override def getPartition(key: Any): Int = {
    partmap.getOrElse(key.toString,0)
  }
}


object Partition{
  def main(args: Array[String]): Unit = {
    val conf=new SparkConf().setAppName("UrlCount").setMaster("local[2]")
    val sc=new SparkContext(conf)
    val lines=sc.textFile("c://test//url1.log")
    // 20170721101954	http://sport.sina.cn/sport/race/nba.shtml
    val text=lines.map(line=>{
      val f=line.split("\t")
      (f(1),1)  //最后一行作为返回值的  先给每个域名  后面增加1
    })
    val text1=text.reduceByKey(_+_) //统计每个域名的个数
    //    println(text1.collect.toBuffer)
    // http://sport.sina.cn/sport/race/nba.shtml   1
    val text2=text1.map(t=>{
      val url=t._1  //每个url
      val host=new URL(url).getHost
      (host,(url,t._2))  //返回每个host
    })

    val fornum=text2.map(_._1).distinct().collect()
    //    println(fornum)
    val np=new NewPartiton(fornum)
    //后面的partitionBy也是一个固定写法
    text2.partitionBy(np).saveAsTextFile("c://test//output2")

    sc.stop()  //关闭
  }

}

收获： 1 从url中获取主机名  2   text2的rdd才是真正要进行分区的，前面的切分以及分组等，都是为了获取这个rdd

            3 从50--54行才是程序的核心,就是获取分区的个数，调用分区的类，保存分区后的结果。就这三步，想想也是这么一个道 理，后续只需要在这个模板上开发就行了

程序执行结果，会在c盘的test的目录上产生一个outpout2的文件夹，截图以下所示:

可以看到,文件夹中有part-00000和part-00001这两个文件。因为样例数据中的主机名只有运动和汽车两类，初步符合要求。

查看文件part-00000中的数据，以下所示:

(car.sina.cn,(http://car.sina.cn/car/fps.shtml,1))

查看文件part-00001中的数据，以下所示:

(sport.sina.cn,(http://sport.sina.cn/sport/watch.shtml,2))
(sport.sina.cn,(http://sport.sina.cn/sport/race/nba.shtml,1))

从数据中可以看到,访问汽车的主机名的有一个，运动的主机名有三个（watch的子网页2个，nba的子网页1个）。这和样例数据是一致的，符合预期。

说明: 分区的类有固定的格式，直接调用这个类就行了，千万不要逐行的敲。