Spark自定义分区器步骤以及Spark自定义分区器的应用

Spark自定义分区器

要实现自定义的分区器，你需要继承 org.apache.spark.Partitioner, 并且需要实现下面的方法:
1.numPartitions
该方法需要返回分区数, 必须要大于0.
2.getPartition(key)
返回指定键的分区编号(0到numPartitions-1)。
3.equals
Java 判断相等性的标准方法。这个方法的实现非常重要，Spark 需要用这个方法来检查你的分区器对象是否和其他分区器实例相同，这样 Spark 才可以判断两个 RDD 的分区方式是否相同
4.hashCode
如果你覆写了equals, 则也应该覆写这个方法.

以下是通过自定义分区器实现自定义分区规则

import org.apache.spark.rdd.RDD
import org.apache.spark.{Partitioner, SparkConf, SparkContext}
/*
使用自定义的 Partitioner 是很容易的 :只要把它传给 partitionBy() 方法即可。

Spark 中有许多依赖于数据混洗的方法，比如 join() 和 groupByKey()，
它们也可以接收一个可选的 Partitioner 对象来控制输出数据的分区方式。
*/
package com.bigdata.spark.core

import org.apache.spark.rdd.RDD
import org.apache.spark.{Partitioner, SparkConf, SparkContext}

object Spark_RDD_Transform {
    def main(args: Array[String]): Unit = {

        val conf = new SparkConf().setMaster("local[*]").setAppName("Spark_RDD_Transform")
        val sc: SparkContext = new SparkContext(conf)

        // 算子 - 转换 - partitionBy
        val datas = List( ("cba", "xxxx"), ("nba", "yyyy"), ("ball", "zzzz"),(2, "tttt") )
        
        val dataRDD = sc.makeRDD(datas,1)
    
        // 重分区 ： 根据指定的规则对数据进行分区
        
        //(1)调用的spark自带的HashPartitioner分区器
        //val rdd = dataRDD.partitionBy( new org.apache.spark.HashPartitioner(3) )
        //（2）调用的是自定义的分区器
        val rdd = dataRDD.partitionBy( new MyPartitioner(3) )
    
        val mapRDD = rdd.mapPartitionsWithIndex(
            (index, datas) => {
                datas.foreach(data => {
                    println(index + "=" + data)
                })
                datas
            }
        )
        mapRDD.collect()
       
        
        sc.stop()
    }
}
// 自定义分区器步骤如下：
// 1. 继承Partitioner
// 2. 重写方法
class MyPartitioner(num:Int) extends Partitioner {
     // 这个方法需要返回你想要创建分区的个数
    override def numPartitions: Int = {
        num
    } 
   // 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
    override def getPartition(key: Any): Int = {
        if ( key.isInstanceOf[String] ) {
           val keyString: String = key.asInstanceOf[String]
            if ( keyString == "cba" ) {//自定义将keystring=cba的放在0号分区中
                0
            } else if ( keyString == "nba" ) {
                1
            } else {
                2
            }
        } else {
            2
        }
    }
}

自定义分区器应用的例子
1.使用Spark实现TopN的获取：
（1）自定义分区器，按照key进行分区，使不同的key进到不同的分区
（2）对每个分区运用spark的排序算子进行排序
2.使用自定义分区器实现对key的自定义分区可以有效解决数据倾斜问题