hadoop 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？

public class DemoJobDriver {public static void main(String[] args) throws Exception {//1、获取jobConfiguration configuration = new Configuration();Job job = Job.getInstance(configuration);//2、设置jar路径job.setJarByClass(DemoJobDriver.class);//3、关联mapper 和 Reducerjob.setMapperClass(DemoMapper.class);job.setReducerClass(DemoReducer.class);//4、设置 map输出的 key/val 的类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(IntWritable.class);//5、设置最终输出的key / val 类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);//6、设置最终的输出路径String inputPath = "F:\\网盘\\csv\\hello.txt";String outPath = "F:\\网盘\\csv\\wordcount\\hello_result.txt";//设置输出文件为2个job.setNumReduceTasks(2);FileInputFormat.setInputPaths(job,new Path(inputPath));FileOutputFormat.setOutputPath(job,new Path(outPath));// 7 提交jobboolean result = job.waitForCompletion(true);System.exit(result ? 0 : 1);}}

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

import org.apache.commons.lang3.StringUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.mapreduce.Partitioner;
import org.apache.hadoop.io.Text;public class MyPartioner extends Partitioner<Text, IntWritable> {@Overridepublic int getPartition(Text text, IntWritable intWritable, int partion) {String key = text.toString();if(StringUtils.isNotEmpty(key.trim())){if(key.startsWith("马")){partion = 0;}else if(key.startsWith("李")){partion = 1;}else {partion = 2;}}return partion;}
}

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

job.setNumReduceTasks(3);
job.setPartitionerClass(MyPartioner.class);

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