数据集的sortPartition方法根据某些指定的字段在本地对数据集进行排序 . 如何在Flink中以高效的方式全局排序我的大型数据集?
目前这不容易实现,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 Partitioner :
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");
Note :为了使用自定义分区程序实现 balancer 分区,您需要了解密钥的值范围和分布 .
Apache Flink中对范围分区器(带自动采样)的支持目前是work in progress,应该很快就可以使用 .
Edit (June 7th, 2016) :范围分区已添加到Apache Flink 1.0.0版 . 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");
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 回答
目前这不容易实现,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
Partitioner
:Note :为了使用自定义分区程序实现 balancer 分区,您需要了解密钥的值范围和分布 .
Apache Flink中对范围分区器(带自动采样)的支持目前是work in progress,应该很快就可以使用 .
Edit (June 7th, 2016) :范围分区已添加到Apache Flink 1.0.0版 . 您可以按如下方式对数据集进行全局排序:
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 .