标签：int 使用 else value ace 继承 ack java keyword
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：
01 package org.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 */ 07 abstract class Partitioner extends Serializable { 08 def numPartitions: Int 09 def getPartition(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：
01 package com.iteblog.utils 02 03 import org.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 15 class IteblogPartitioner(numParts: Int) extends Partitioner { 16 override def numPartitions: Int = numParts 17 18 override def getPartition(key: Any): Int = { 19 val domain = new java.net.URL(key.toString).getHost() 20 val code = (domain.hashCode % numPartitions) 21 if (code < 0) { 22 code + numPartitions 23 } else { 24 code 25 } 26 } 27 28 override def equals(other: Any): Boolean = other match { 29 case iteblog: IteblogPartitioner => 30 iteblog.numPartitions == numPartitions 31 case _ => 32 false 33 } 34 35 override def 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：
1 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：
1 import urlparse 2 3 def iteblog_domain(url): 4 return hash(urlparse.urlparse(url).netloc) 5 6 iteblog.partitionBy(20, iteblog_domain)
标签：int 使用 else value ace 继承 ack java keyword
原文地址：http://www.cnblogs.com/itboys/p/6109372.html
