spark--transform算子--repartition

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

import scala.collection.mutable.ArrayBuffer

/**
* Created by liupeng on 2017/6/16.
*/
object T_repartition {
System.setProperty("hadoop.home.dir","F:\\hadoop-2.6.5")

def fun_index(index : Int, iter : Iterator[String]) : Iterator[String] = {
var list  = ArrayBuffer[String]()
while (iter.hasNext)
{
val name : String = iter.next()
var fs = index + ":" + name
list += fs
println(fs)
}
return list.iterator
}

def fun_index1(index : Int, iter : Iterator[String]) : Iterator[String] = {
var list  = ArrayBuffer[String]()
while (iter.hasNext)
{
val name : String = iter.next()
var fs = index + ":" + name
list += fs
println(fs)
}
return list.iterator
}

def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("repartition_test").setMaster("local")
val sc = new SparkContext(conf)

//repartition，功能是将RDD的partition的数量增多或者减少
//建议使用场景
//一个很经典的场景，使用sparkSQL从HIVE中查询数据的时候，sparkSQL会根据HIVE对应的hdfs文件的block的数量决定加载出来的partition有多少个
//这里默认的partition的数量是我们无法设置
//有些时候，可能他会自动设置的partition的数量过于少了，为了进行优化，可以提高并行度，就是对RDD使用repartition算子
val nameList : List[String] = List("liupeng1", "liupeng2", "liuipeng3",
"liupeng4", "liupeng5", "liupeng6",
"liupeng7", "liupeng8", "liupeng9",
"liupeng10", "liupeng11", "liupeng12"
)

val nameRDD = sc.parallelize(nameList, 3)
val nameRDD2 = nameRDD.mapPartitionsWithIndex(fun_index)
val nameRDD3 = nameRDD2.repartition(6)
val nameRDD4 = nameRDD3.mapPartitionsWithIndex(fun_index1)
val info : Array[String] = nameRDD4.collect()
}
}

运行结果：
0:liupeng1

0:liupeng2

0:liuipeng3

0:liupeng4

1:liupeng5

1:liupeng6

1:liupeng7

1:liupeng8

2:liupeng9

2:liupeng10

2:liupeng11

2:liupeng12

0:1:liupeng7

0:2:liupeng10

1:0:liupeng1

1:1:liupeng8

1:2:liupeng11

2:0:liupeng2

2:2:liupeng12

3:0:liuipeng3

4:0:liupeng4

4:1:liupeng5

5:1:liupeng6

5:2:liupeng9