Spark:自定义分区(Partitioner)

我们都知道Spark内部提供了HashPartitionerRangePartitioner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:

 

package org.apache.spark
An object that defines how the elements in a key-value pair RDD are partitioned by key.
Maps each key to a partition ID, from 0 to `numPartitions - 1`.

abstract class Partitioner extends Serializable {

  def numPartitions: Int

  def getPartition(key: Any): Int

}

  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.comhttp://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:

package com.iteblog.utils

import org.apache.spark.Partitioner


class IteblogPartitioner(numParts: Int) extends Partitioner {

  override def numPartitions: Int = numParts

 

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

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

    val code = (domain.hashCode % numPartitions)

    if (code < 0) {

      code + numPartitions

    } else {

      code

    }

  }

 

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

    case iteblog: IteblogPartitioner =>

      iteblog.numPartitions == numPartitions

    case _ =>

      false

  }

 

  override def hashCode: Int = numPartitions

}

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:

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

import urlparse

def iteblog_domain(url):

return hash(urlparse.urlparse(url).netloc)
 
iteblog.partitionBy(20, iteblog_domain)

 

你可能感兴趣的:(spark)