Spark自定義分區(Partitioner)

我們都知道Spark內部提供了HashPartitioner和RangePartitioner兩種分區策略，這兩種分區策略在很多情況下都適合我們的場景。但是有些情況下，Spark內部不能符合咱們的需求，這時候我們就可以自定義分區策略。為此，Spark提供了相應的接口，我們只需要擴展Partitioner抽象類，然后實現里面的三個方法：

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：這個方法需要返回你想要創建分區的個數；

def getPartition(key: Any): Int：這個函數需要對輸入的key做計算，然后返回該key的分區ID，范圍一定是0到numPartitions-1；

equals()：這個是Java標准的判斷相等的函數，之所以要求用戶實現這個函數是因為Spark內部會比較兩個RDD的分區是否一樣。

　　假如我們想把來自同一個域名的URL放到一台節點上，比如:http://www.iteblog.com和http://www.iteblog.com/archives/1368，如果你使用HashPartitioner，這兩個URL的Hash值可能不一樣，這就使得這兩個URL被放到不同的節點上。所以這種情況下我們就需要自定義我們的分區策略，可以如下實現：

01
    package com.iteblog.utils
02
     
03
    import org.apache.spark.Partitioner
04
     
05
    /**
06
     * User: 過往記憶
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
     * 過往記憶博客，專注於hadoop、hive、spark、shark、flume的技術博客，大量的干貨
12
     * 過往記憶博客微信公共帳號：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
    }

因為hashCode值可能為負數，所以我們需要對他進行處理。然后我們就可以在partitionBy()方法里面
使用我們的分區：

1
    iteblog.partitionBy(new IteblogPartitioner(20))

　　類似的，在Java中定義自己的分區策略和Scala類似，只需要繼承org.apache.spark.Partitioner，並實現其中的方法即可。

　　在Python中，你不需要擴展Partitioner類，我們只需要對iteblog.partitionBy()加上一個額外的hash函數，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)