自定义分区partitioner实现数据分区存储
来源:互联网 发布:手机淘宝能修改评价吗 编辑:程序博客网 时间:2024/05/22 15:13
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RDDlval 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.weblogimport org.apache.spark.Partitionerimport 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) }}
阅读全文
0 0
- 自定义分区partitioner实现数据分区存储
- Hadoop自定义分区Partitioner
- Spark自定义分区(Partitioner)
- Spark自定义分区(Partitioner)
- Spark自定义分区(Partitioner)
- Spark自定义分区(Partitioner)
- Spark自定义分区(Partitioner)
- Spark Partitioner自定义分区
- Spark自定义分区(Partitioner)
- hadoop自定义分区操作(Partitioner) 步骤1.3
- Hadoop系列学习–Partitioner内置分区与Partitioner自定义分区
- hadoop中的Partitioner分区
- hadoop中的Partitioner分区
- hadoop Partitioner 分区
- hadoop中的Partitioner分区
- Partitioner分区过程分析
- Partitioner分区过程分析
- DataCount Partitioner分区
- MySql的七种JOIN语句
- 修改linux线程限制
- [15] FTP服务搭建与配置
- 【Hibernate框架开发之四】Hibernate-Annotation常用的注解归总&&ID的生成策略&&联合主键
- POJ 1330 Nearest Common Ancestors(LCA 离线算法)
- 自定义分区partitioner实现数据分区存储
- Directions Reduction -- 5 kyu
- 最近忙着校招,总结一下
- 88. Merge Sorted Array
- docker基础知识-组件介绍
- 在IC设计中的svn使用经验总结
- wireshark分析TCP数据包
- 面向对象特性-继承
- docker学习——zookeeper集群安装