Spark(29)基础自定义分区器

（一）什么是分区

【复习提问：RDD的定义是什么？】

在 Spark 里，弹性分布式数据集（RDD）是核心的数据抽象，它是不可变的、可分区的、里面的元素并行计算的集合。

在 Spark 中，分区是指将数据集按照一定的规则划分成多个较小的子集，每个子集可以独立地在不同的计算节点上进行处理，这样可以实现数据的并行处理，提高计算效率。

可以将 Spark 中的分区类比为快递公司处理包裹的过程。假设你有一批包裹要从一个城市发送到另一个城市，快递公司会将这些包裹按照一定的规则进行分区，比如按照收件地址的区域划分。每个分区的包裹会被分配到不同的快递员或运输车辆上进行运输，这些快递员或车辆可以同时出发，并行地将包裹送到不同的区域。这就类似于 Spark 中的分区，每个分区的数据可以在不同的计算节点上同时进行处理，从而加快整个数据处理的速度。

（二）默认分区的情况

从集合创建 RDD（使用 parallelize 方法）

当使用 parallelize 方法从一个集合创建 RDD 时，默认分区数通常取决于集群的配置。

在本地模式下，默认分区数等于本地机器的 CPU 核心数；在集群模式下，默认分区数由 spark.default.parallelism 配置项决定。

import org.apache.spark.SparkContext

import org.apache.spark.SparkConf

val conf = new SparkConf().setAppName("DefaultPartitionExample").setMaster("local")

val sc = new SparkContext(conf)

val data = Seq(1, 2, 3, 4, 5)

val rdd = sc.parallelize(data)

println(s"默认分区数: ${rdd.partitions.length}")

sc.stop()

2.从外部存储（如文件）创建 RDD（使用 textFile 方法）

当使用 textFile 方法从外部存储（如 HDFS、本地文件系统等）读取文件创建 RDD 时，默认分区数通常由文件的块大小决定。对于 HDFS 文件，默认分区数等于文件的块数。例如，一个 128MB 的文件在 HDFS 上被分成 2 个 64MB 的块，那么创建的 RDD 默认分区数就是 2。

import org.apache.spark.SparkContext

import org.apache.spark.SparkConf

val conf = new SparkConf().setAppName("DefaultPartitionFileExample").setMaster("local")

val sc = new SparkContext(conf)

// 假设文件存在于本地

val rdd = sc.textFile("path/to/your/file.txt")

println(s"默认分区数: ${rdd.partitions.length}")

sc.stop()

【现场演示，如果文件是一个.gz文件，是一个不可拆分的文件，那么默认分区的数量就会是1】

（三）分区的作用

在 Spark 中，RDD 是数据的集合，它会被划分成多个分区，这些分区可以分布在不同的计算节点上，就像图书馆的书架分布在不同的房间一样。

这样做的好处是什么呢？

并行计算：Spark 能够同时对多个分区的数据进行处理，充分利用集群的计算资源，进而加快作业的执行速度。例如，若一个 RDD 有 10 个分区，且集群有足够的计算资源，Spark 就可以同时处理这 10 个分区的数据。

数据局部性：分区有助于实现数据局部性，也就是让计算尽量在数据所在的节点上进行，减少数据在网络间的传输，从而降低网络开销。

容错性：当某个分区的数据处理失败时，Spark 能够重新计算该分区，而不需要重新计算整个 RDD。

当使用savaAsTextFile做保存操作时，最终生成的文件个数通常和RDD的分区数一致。

object PartitionExample {

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

// 创建 SparkConf 对象，设置应用程序名称和运行模式

val conf = new SparkConf().setAppName("PartitionExample").setMaster("local")

// 使用 SparkConf 创建 SparkContext 对象

val sc = new SparkContext(conf)

// 创建一个包含 10 个元素的 Seq

val data = Seq(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)

// 使用 parallelize 方法创建 RDD，并设置分区数为 3

val rdd = sc.parallelize(data, 3)

// 将 RDD 保存为文本文件，保存路径为 "output"

rdd.saveAsTextFile("output")

// 停止 SparkContext，释放资源

sc.stop()

}

在运行代码后，output 目录下会生成与 RDD 分区数量相同的文本文件，这里 RDD 分区数设置为 3，所以会生成 3 个文件，文件名通常为 part-00000、part- 00001、part-00002 。

（四）分区器和默认分区器

分区器是 Spark 中用于决定 RDD 数据如何在不同分区之间进行分布的组件。通过定义分区规则，它能够将具有键值对类型的数据（PairRDD）按照一定策略划分到不同分区，以实现数据的合理分布，进而提高并行计算的效率。

在大多数涉及键值对的转换操作中，Spark 默认使用 HashPartitioner。例如，reduceByKey、groupByKey 等操作，如果没有显式指定分区器，就会使用 HashPartitioner。

HashPartitioner 根据键的哈希值来决定数据应该被分配到哪个分区。具体来说，它会对键的哈希值取模，模的结果就是分区的编号。假设分区数为 n，键为 key，则分区编号的计算公式为 hash(key) % n。

对于键值对 RDD，HashPartitioner 是大多数转换操作的默认分区器，而 RangePartitioner 是 sortByKey 操作的默认分区器。你也可以根据具体需求显式指定分区器来控制数据的分区方式。

（五）为什么需要自定义分区

数据倾斜：当数据分布不均匀，某些分区数据量过大，导致计算负载不均衡时，可自定义分区器，按照特定规则重新分配数据，避免数据倾斜影响计算性能。比如电商订单数据中，按地区统计销售额，若某些热门地区订单数远多于其他地区，使用默认分区器会使部分任务计算量过大。通过自定义分区器，可将热门地区进一步细分，让各分区数据量更均衡。

特定业务逻辑：若业务对数据分区有特殊要求，如按时间段将日志数据分区，不同时间段的数据存到不同分区便于后续处理分析；或在社交网络数据中，按用户关系紧密程度分区等，都需自定义分区器实现。

（六）自定义分区器的实现步骤

自定义分区器需要：继承Partitioner抽象类 + 实现其中的两个方法。

numPartitions ：返回分区的数量，即整个 RDD 将被划分成多少个分区。
getPartition(key: Any) ：接收一个键值key（对于非键值对类型 RDD，可根据数据特征构造合适的键），根据自定义逻辑返回该键值对应的分区索引（从 0 开始，取值范围为 0 到numPartitions - 1 ）。