标签：
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：
原文地址：http://www.cnblogs.com/shexinwei/p/4646557.html
