hadoop 全面解读自定义分区

分区概念

分区这个词对很多同学来说并不陌生，比如java很多中间件中，像kafka的分区，mysql的分区表等，分区存在的意义在于将数据按照业务规则进行合理的划分，方便后续对各个分区数据高效处理

hadoop分区

hadoop中的分区，是把不同数据输出到不同reducetask ，最终到输出不同文件中

hadoop 默认分区规则

• hash分区
• 按照key的hashcode % reducetask 数量 = 分区号
• 默认reducetask 数量为1，当然也可以在driver 端设置

以下是partition 类中摘取出来的源码，还是很容易懂的

hash分区代码演示

下面是wordcount案例中的driver部分的代码，默认情况下我们不做任何设置，最终输出一个统计单词个数的txt文件，如果我们在这段代码中添加这样一行

再次运行下面的程序后，会出现什么结果呢？

可以看到，最终输出了2个统计结果文件，每个文件中的内容有所不同，这就是默认情况下，当reducer个数设置为多个时，会按照hash分区算法计算结果并输出到不同分区对应的文件中去

自定义分区步骤

• 自定义类继承partitioner
• 重写getpartition方法，并在此方法中根据业务规则控制不同的数据进入到不同分区
• 在job的驱动类中，设置自定义的partitioner类
• 自定义partition后，要根据自定义的partition逻辑设置相应数量的reducetask

业务需求

将下面文件中 的人物名称按照姓氏，“马”姓的放入第一个分区，“李”姓的放入第二个分区，其他的放到其他第三个分区中

自定义分区

将自定义分区关联到driver类中，注意这里的reducetasks个数和自定义的分区数量保持一致

下面运行driver类，观察最终的输出结果，也是按照预期，将不同的姓氏数据输出到了不同的文件中

关于自定义分区的总结

• 如果reducetask的数量 > 自定义partion中的分区数量，则会多产生几个空的输出文件
• 如果 1 < reducetask < 自定义partion中的分区数量，有一部分的数据处理过程中无法找到相应的分区文件存储，会抛异常
• 如果reducetask = 1 ，则不管自定义的partion中分区数量为多少个，最终结果都只会交给这一个reducetask 处理，最终只会产生一个结果文件
• 分区号必须从0开始，逐一累加

到此这篇关于hadoop 全面解读自定义分区的文章就介绍到这了,更多相关hadoop 自定义分区内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！