Apache flink apacheflink中的全局排序
数据集的sortPartition方法基于某些指定字段对数据集进行本地排序。如何在Flink中以高效的方式对大型数据集进行全局排序?这目前不太可能,因为Flink还没有提供内置的范围分区策略 解决方法是实现自定义的Apache flink apacheflink中的全局排序,apache-flink,Apache Flink,数据集的sortPartition方法基于某些指定字段对数据集进行本地排序。如何在Flink中以高效的方式对大型数据集进行全局排序?这目前不太可能,因为Flink还没有提供内置的范围分区策略 解决方法是实现自定义的分区器: DataSet<Tuple2<Long, Long>> data = ... data .partitionCustom(new Partitioner<Long>() { int partition(Long key, int
分区器
:
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");
数据集数据=。。。
数据
.partitionCustom(新的分区器(){
int分区(长键,int numPartitions){
//您的实现
}
}, 0)
.sortPartition(0,顺序。升序)
.writesText(“/my/output”);
注意:为了使用自定义分区器实现平衡分区,您需要了解键的值范围和分布
ApacheFlink中对范围分割器(具有自动采样)的支持目前已经存在,并且很快就会提供
编辑(2016年6月7日):范围分区已添加到Apache Flink的1.0.0版中。您可以按如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");
数据集数据=。。。
数据
.partitionByRange(0)
.sortPartition(0,顺序。升序)
.writesText(“/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。1-如果我们对数据集没有任何了解,如何对它们进行分区?2-假设我们找到了这样做的方法。这个命令是否输出一个全局排序的数据集?1)这是一个很好的观点。如果您实现了一个自定义分区器,那么您应该知道键的值范围和分布,以实现平衡分区。链接的拉取请求中的范围分区器会自动对数据进行采样以获得分布。2) 是的,如果在同一个键上对每个分区进行范围划分和排序,则输出将被全局排序。