在spark中，框架默認使用的事hashPartitioner分區器進行對rdd分區，但是實際生產中，往往使用spark自帶的分區器會產生數據傾斜等原因，這個時候就需要我們自定義分區，按照我們指定的字段進行分區。具體的流程步驟如下：
1、創建一個自定義的分區類，並繼承Partitioner，注意這個partitioner是spark的partitioner
2、重寫partitioner中的方法
override def numPartitions: Int = ？？？
override def getPartition(key: Any): Int = ？？？
代碼實現：
測試數據集：
cookieid,createtime,pv cookie1,2015-04-10,1 cookie1,2015-04-11,5 cookie1,2015-04-12,7 cookie1,2015-04-13,3 cookie1,2015-04-14,2 cookie1,2015-04-15,4 cookie1,2015-04-16,4 cookie2,2015-04-10,2 cookie2,2015-04-11,3 cookie2,2015-04-12,5 cookie2,2015-04-13,6 cookie2,2015-04-14,3 cookie2,2015-04-15,9 cookie2,2015-04-16,7
指定按照第一個字段進行分區
步驟1：
package _core.sourceCodeLearning.partitioner
import org.apache.spark.Partitioner
import scala.collection.mutable.HashMap
/**
* Author Mr. Guo
* Create 2019/6/23 - 12:19
*/
class UDFPartitioner(args: Array[String]) extends Partitioner {
private val partitionMap: HashMap[String, Int] = new HashMap[String, Int]()
var parId = 0
for (arg <- args) {
if (!partitionMap.contains(arg)) {
partitionMap(arg) = parId
parId += 1
}
}
override def numPartitions: Int = partitionMap.valuesIterator.length
override def getPartition(key: Any): Int = {
val keys: String = key.asInstanceOf[String]
val sub = keys
partitionMap(sub)
}
}
步驟2：
主類測試：
package _core.sourceCodeLearning.partitioner
import org.apache.spark.{SparkConf, TaskContext}
import org.apache.spark.sql.SparkSession
/**
* Author Mr. Guo
* Create 2019/6/23 - 12:21
*/
object UDFPartitionerMain {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[2]").setAppName(this.getClass.getSimpleName)
val ssc = SparkSession
.builder()
.config(conf)
.getOrCreate()
val sc = ssc.sparkContext
sc.setLogLevel("WARN")
val rdd = ssc.sparkContext.textFile("file:///E:\\TestFile\\analyfuncdata.txt")
val transform = rdd.filter(_.split(",").length == 3).map(x => {
val arr = x.split(",")
(arr(0), (arr(1), arr(2)))
})
val keys: Array[String] = transform.map(_._1).collect()
val partiion = transform.partitionBy(new UDFPartitioner(keys))
partiion.foreachPartition(iter => {
println(s"**********分區號：${TaskContext.getPartitionId()}***************")
iter.foreach(r => {
println(s"分區:${TaskContext.getPartitionId()}###" + r._1 + "\t" + r._2 + "::" + r._2._1)
})
})
ssc.stop()
}
}
運行結果：
這樣就是按照第一個字段進行了分區，當然在分區器的中，對於key是可以根據自己的需求隨意的處理，比如添加隨機數等等