Spark自定义分区(Partitioner)

来源：互联网发布：小说大纲软件编辑：程序博客网时间：2024/05/02 04:45

　我们都知道Spark内部提供了HashPartitioner和RangePartitioner两种分区策略(这两种分区的代码解析可以参见：《Spark分区器HashPartitioner和RangePartitioner代码详解》)，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：

01packageorg.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 */
07abstractclass Partitioner extendsSerializable {
08  defnumPartitions:Int
09  defgetPartition(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：

01packagecom.iteblog.utils
02 
03importorg.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 
15classIteblogPartitioner(numParts:Int) extendsPartitioner {
16  overridedef numPartitions:Int =numParts
17 
18  overridedef getPartition(key:Any):Int ={
19    valdomain =new java.net.URL(key.toString).getHost()
20    valcode =(domain.hashCode %numPartitions)
21    if(code < 0) {
22      code + numPartitions
23    } else{
24      code
25    }
26  }
27 
28  overridedef equals(other:Any):Boolean =other match{
29    caseiteblog:IteblogPartitioner =>
30      iteblog.numPartitions ==numPartitions
31    case_ =>
32      false
33  }
34 
35  overridedef 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：

1iteblog.partitionBy(newIteblogPartitioner(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
1importurlparse
2 
3defiteblog_domain(url):
4  returnhash(urlparse.urlparse(url).netloc)
5 
6iteblog.partitionBy(20, iteblog_domain)

0 0