键值对RDD数据分区器

　　　　　　　　　　　　　　　　　　　　　　　　　键值对RDD数据分区器

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　作者：尹正杰

一.键值对RDD数据分区器概述

　　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。

　　温馨提示:
　　　　1>.只有Key-Value类型的RDD才有分区器的，非Key-Value类型的RDD分区器的值是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。

二.获取RDD分区方式

package com.yinzhengjie.bigdata.spark.partitioner

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.HashPartitioner
import org.apache.spark.rdd.RDD

/**
  *   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。
  */
object GetRDDPartition {
  def main(args: Array[String]): Unit = {
    //初始化配置信息及SparkContext
    val sparkConf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)

    val listRDD:RDD[(Int,Int)] = sc.parallelize(List((1,1),(2,2),(3,3)))

    //查看RDD的分区器
    println(listRDD.partitioner)

    //使用HashPartitioner算子对RDD进行重新分区
    val partitionByRDD = listRDD.partitionBy(new HashPartitioner(2))

    //查看重新分区后RDD的分区器
    println(partitionByRDD.partitioner)
  }
}

三.Hash分区

package com.yinzhengjie.bigdata.spark.partitioner

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD

/**
  *   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。
  */
object HashPartition {
  def main(args: Array[String]): Unit = {
    //初始化配置信息及SparkContext
    val sparkConf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)

    val listRDD:RDD[(Int,Int)] =  sc.makeRDD(List((1,3),(1,2),(2,4),(2,3),(3,6),(3,8),(1,5),(2,6)),12)

    //查看RDD的分区器(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，)
    println(listRDD.partitioner)

    listRDD.mapPartitionsWithIndex((index,iter)=>{ Iterator(index.toString+" : "+iter.mkString("|")) }).collect.foreach(println)

    val hashpar:RDD[(Int, Int)]  = listRDD.partitionBy(new org.apache.spark.HashPartitioner(7))
    println(hashpar.count)
    println(hashpar.partitioner)
    hashpar.mapPartitions(iter => Iterator(iter.length)).collect().foreach(println)
  }
}

四.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。

　　温馨提示:
　　　　如果想要使用Ranger方式进行分区(这种方式和Hbase的预分区优点类似),那么对数据应该有两个要求，即数据是可以排序和比较。因此Spark基本上很少使用这种方式。

五.自定义分区

package com.yinzhengjie.bigdata.spark.partitioner

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

/**
  *     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。
  *       numPartitions: Int:
  *         返回创建出来的分区数。
  *       getPartition(key: Any): Int:
  *         返回给定键的分区编号(0到numPartitions-1)。
  *       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。
  *
  */
class CustomerPartitioner(numParts:Int) extends 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
  }
}


/**
  *     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。
  */
object CustomPartition {
  def main(args: Array[String]): Unit = {
    //初始化配置信息及SparkContext
    val sparkConf: SparkConf = new SparkConf().setAppName("WordCount").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)

    //创建listRDD，建设你的服务器是32core，我们就使用32个切片，但由于数据仅有8条，因此只有32个分区中仅有8个分区有数据哟~
    val listRDD:RDD[(Int,Int)] =  sc.makeRDD(List((1,3),(1,2),(2,4),(2,3),(3,6),(3,8),(1,5),(2,6)),32)

    //查看数据分布情况
    listRDD.mapPartitionsWithIndex((index,items)=>items.map((index,_))).collect.foreach(println)

    //将RDD使用自定义的分区类进行重新分区
    val par = listRDD.partitionBy(new CustomerPartitioner(3))

    //查看重新分区后的数据分布
    par.mapPartitionsWithIndex((index,items)=>items.map((index,_))).collect.foreach(println)
  }
}