Spark 键值对RDD数据分区

3.键值对 RDD 数据分区

　　Spark 目前支持 Hash 分区和 Range 分区，用户也可以自定义分区，Hash 分区为当前

的默认分区，Spark 中分区器直接决定了 RDD 中分区的个数、RDD 中每条数据经过

Shuffle 过程属于哪个分区和 Reduce 的个数

注意：

(1)只有 Key-Value 类型的 RDD 才有分区的，非 Key-Value 类型的 RDD 分区的值是 None

(2)每个 RDD 的分区 ID 范围：0~numPartitions-1，决定这个值是属于那个分区的。

3.1 获取 RDD 分区

　　可以通过使用 RDD 的 partitioner 属性来获取 RDD 的分区方式。它会返回一个

scala.Option 对象，通过 get 方法获取其中的值。相关源码如下：

def getPartition(key: Any): Int = key match {
  case null => 0
  case _ => Utils.nonNegativeMod(key.hashCode, numPartitions)
}
  def nonNegativeMod(x: Int, mod: Int): Int = {
  val rawMod = x % mod
  rawMod + (if (rawMod < 0) mod else 0)
}

（1）创建一个 pairRDD

scala> val pairs = sc.parallelize(List((1,1),(2,2),(3,3)))
pairs: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[3] at parallelize at <console>:24

（2）查看 RDD 的分区器

scala> pairs.partitioner
res1: Option[org.apache.spark.Partitioner] = None

（3）导入 HashPartitioner 类

scala> import org.apache.spark.HashPartitioner
import org.apache.spark.HashPartitioner

（4）使用 HashPartitioner 对 RDD 进行重新分区

scala> val partitioned = pairs.partitionBy(new HashPartitioner(2))
partitioned: org.apache.spark.rdd.RDD[(Int, Int)] = ShuffledRDD[4] at partitionBy at <console>:27

（5）查看重新分区后 RDD 的分区器

scala> partitioned.partitioner
res2: Option[org.apache.spark.Partitioner] = Some(org.apache.spark.HashPartitioner@2)

3.2 Hash 分区

　　HashPartitioner 分区的原理：对于给定的 key，计算其 hashCode，并除以分区的个数

取余，如果余数小于 0，则用余数+分区的个数（否则加 0），最后返回的值就是这个 key 所

属的分区 ID。

使用 Hash 分区的实操

scala> nopar.partitioner
res20: Option[org.apache.spark.Partitioner] = None

scala> val nopar = sc.parallelize(List((1,3),(1,2),(2,4),(2,3),(3,6),(3,8)),8)
nopar: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[10] at parallelize at <console>:24

scala>nopar.mapPartitionsWithIndex((index,iter)=>{ Iterator(index.toString+" : "+iter.mkString("|")) }).collect
res0: Array[String] = Array("0 : ", 1 : (1,3), 2 : (1,2), 3 : (2,4), "4 : ", 5 : (2,3), 6 : (3,6), 7 : (3,8)) 

scala> val hashpar = nopar.partitionBy(new org.apache.spark.HashPartitioner(7))
hashpar: org.apache.spark.rdd.RDD[(Int, Int)] = ShuffledRDD[12] at partitionBy at <console>:26

scala> hashpar.count
res18: Long = 6

scala> hashpar.partitioner
res21: Option[org.apache.spark.Partitioner] = Some(org.apache.spark.HashPartitioner@7)

scala> hashpar.mapPartitions(iter => Iterator(iter.length)).collect()
res19: Array[Int] = Array(0, 3, 1, 2, 0, 0, 0)

3.3 Ranger 分区

　　HashPartitioner 分区弊端：可能导致每个分区中数据量的不均匀，极端情况下会导致

某些分区拥有 RDD 的全部数据。

　　RangePartitioner 作用：将一定范围内的数映射到某一个分区内，尽量保证每个分区

中数据量的均匀，而且分区与分区之间是有序的，一个分区中的元素肯定都是比另一个分

区内的元素小或者大，但是分区内的元素是不能保证顺序的。简单的说就是将一定范围内

的数映射到某一个分区内。实现过程为：

　　第一步：先重整个 RDD 中抽取出样本数据，将样本数据排序，计算出每个分区的最

大 key 值，形成一个 Array[KEY]类型的数组变量 rangeBounds；

　　第二步：判断 key 在 rangeBounds 中所处的范围，给出该 key 值在下一个 RDD 中的

分区 id 下标；该分区器要求 RDD 中的 KEY 类型必须是可以排序的

3.4 自定义分区

　　要实现自定义的分区器，你需要继承 org.apache.spark.Partitioner 类并实现下面三个

方法。

（1）numPartitions: Int:返回创建出来的分区数。

（2）getPartition(key: Any): Int:返回给定键的分区编号(0 到 numPartitions-1)。

（3）equals():Java 判断相等性的标准方法。这个方法的实现非常重要，Spark 需要用这个

方法来检查你的分区器对象是否和其他分区器实例相同，这样 Spark 才可以判断两个

RDD 的分区方式是否相同。

需求：将相同后缀的数据写入相同的文件，通过将相同后缀的数据分区到相同的分区并保

存输出来实现。

（1）创建一个 pairRDD

scala> val data = sc.parallelize(Array((1,1),(2,2),(3,3),(4,4),(5,5),(6,6)))
data: org.apache.spark.rdd.RDD[(Int, Int)] = ParallelCollectionRDD[3] at parallelize at <console>:24

（2）定义一个自定义分区类

scala> :paste
// Entering paste mode (ctrl-D to finish)
class CustomerPartitioner(numParts:Int) extends org.apache.spark.Partitioner{
  //覆盖分区数
  override def numPartitions: Int = numParts
  //覆盖分区号获取函数
  override def getPartition(key: Any): Int = {
    val ckey: String = key.toString
    ckey.substring(ckey.length-1).toInt%numParts
  }
}

// Exiting paste mode, now interpreting.

defined class CustomerPartitioner

（3）将 RDD 使用自定义的分区类进行重新分区

scala> val par = data.partitionBy(new CustomerPartitioner(2))
par: org.apache.spark.rdd.RDD[(Int, Int)] = ShuffledRDD[2] at partitionBy at <console>:27

（4）查看重新分区后的数据分布

scala> par.mapPartitionsWithIndex((index,items)=>items.map((index,_))).collect
res3: Array[(Int, (Int, Int))] = Array((0,(2,2)), (0,(4,4)), (0,(6,6)), (1,(1,1)), (1,(3,3)), (1,(5,5)))

使用自定义的 Partitioner 是很容易的:只要把它传给 partitionBy() 方法即可。

Spark 中有许多依赖于数据混洗的方法，比如 join() 和 groupByKey()，它们也可以

接收一个可选的 Partitioner 对象来控制输出数据的分区方式。

笔记：

package com.lxl

import org.apache.spark.{Partitioner, SparkConf, SparkContext}

class CustomerPartitioner(numPar: Int) extends Partitioner{
  override def numPartitions: Int = numPar

  override def getPartition(key: Any): Int = {
    key.toString.hashCode % numPar
  }
}

object App{
  def main(args: Array[String]): Unit = {

    //创建sparkConf对象
    val conf = new SparkConf().setAppName("partitioner").setMaster("local[*]")

    //创建sparkcontext对象
    val sc = new SparkContext(conf)

    val rdd = sc.makeRDD(Array(1,2,3,4,5))

    //查看原始分区存放方式
//    rdd.mapPartitionsWithIndex((x, y) => Iterator(x + ":" + y.mkString("|"))).collect()
    rdd.mapPartitionsWithIndex((x, y) => Iterator(x + ":" + y.mkString("|"))).foreach(println)

    //查看自定义分区存放方式
//    rdd.map((_,1)).partitionBy(new CustomerPartitioner(5)).mapPartitionsWithIndex((x, y) => Iterator(x + ":" + y.mkString("|"))).collect()
    rdd.map((_,1)).partitionBy(new CustomerPartitioner(5)).mapPartitionsWithIndex((x, y) => Iterator(x + ":" + y.mkString("|"))).foreach(println)

    sc.stop()

  }
}