数据集的sortPartition方法根据一些指定的字段对数据集进行本地排序。如何在Flink中高效地对大型数据集进行全局排序?
由于Flink尚未提供内置的范围分区策略,因此目前尚不容易实现。
解决方法是实现自定义Partitioner
:
DataSet<Tuple2<Long, Long>> data = ...
data
.partitionCustom(new Partitioner<Long>() {
int partition(Long key, int numPartitions) {
// your implementation
}
}, 0)
.sortPartition(0, Order.ASCENDING)
.writeAsText("/my/output");
注意:为了使用自定义分区程序实现平衡分区,您需要了解键的值范围和分布。
目前正在对Apache Flink中的范围分区程序(带有自动采样)的支持进行中,应该很快就可以使用。
编辑(2016年6月7日):范围分区已添加到1.0.0版的Apache Flink中。您可以按以下方式对数据集进行全局排序:
DataSet<Tuple2<Long, Long>> data = ...
data
.partitionByRange(0)
.sortPartition(0, Order.ASCENDING)
.writeAsText("/my/output");
请注意,范围分区对输入数据集进行采样,以计算大小相等的分区的数据分布。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句