Spark学习笔记--TopN

内容简介：TopN就是找出数据中排在最前边或者最后的N个数。假设原始数据是K,V形式存储在文本文件中。要实现这个需求如下步骤1、首先把数据按行读入并分隔成KeyValue形式

TopN就是找出数据中排在最前边或者最后的N个数。假设原始数据是K,V形式存储在文本文件中。

要实现这个需求如下步骤

1、首先把数据按行读入并分隔成KeyValue形式

2、需要对key相同的数据进行聚合

3、按value排序，取topN，对value排序有3种方案

A) 对多个分区分别使用SortedMap，将value以作为SortedMap键，key作为SortedMap的value保存到SortedMap中，如果SortedMap 的size大于N，则删除首个值，这样每个分区最终得到的StoreMap就是N。最后对多个分区的SortedMap进行合并，取TopN

B) 使用RDD的takeOrdered，对value进行排序，需要自定义排序类，此类需要继承序列化类

C) 使用RDD的top对value进行排序，需要自定义排序类，此类需要继承序列化类

方案一：

点击( 此处 )折叠或打开

import org . apache . spark . SparkConf ;
import org . apache . spark . api . java . JavaPairRDD ;
import org . apache . spark . api . java . JavaRDD ;
import org . apache . spark . api . java . JavaSparkContext ;
import org . apache . spark . api . java . function . FlatMapFunction ;
import org . apache . spark . api . java . function . Function2 ;
import org . apache . spark . api . java . function . PairFunction ;
import org . apache . spark . broadcast . Broadcast ;
import scala . Tuple2 ;
import java . io . Serializable ;
import java . util . * ;
public class Top10NoUnique {
public static class compare implements Comparator < Integer > , Serializable {
public final static compare Instance = new compare ( ) ;
@ Override
public int compare ( Integer o1 , Integer o2 ) {
return o1 - o2 ;
}
}
public static void main ( final String args [ ] ) {
SparkConf conf = new SparkConf ( ) ;
conf . setMaster ( "local" ) . setAppName ( "Top10NoUnique" ) ;
JavaSparkContext sc = new JavaSparkContext ( conf ) ;
JavaRDD < String > lines = sc . textFile ( "e:\\tmp\\input\\top10nonunique.txt" ) ;
//定义共享变量
final Broadcast < Integer > topN = sc . broadcast ( 10 ) ;
//对数据进行分区
JavaRDD < String > parLines = lines . coalesce ( 2 ) ;
JavaPairRDD < String , Integer > pairRDD = parLines . mapToPair ( new PairFunction < String , String , Integer > ( ) {
@ Override
public Tuple2 < String , Integer > call ( String s ) throws Exception {
s = s . trim ( ) ;
String [ ] arrs = s . split ( "," ) ;
return new Tuple2 < String , Integer > ( arrs [ 0 ] , Integer . parseInt ( arrs [ 1 ] ) ) ;
}
} ) ;
List < Tuple2 < String , Integer > > list = pairRDD . collect ( ) ;
for ( Tuple2 < String , Integer > tuple2 : list ) {
System . out . println ( tuple2 . _1 ( ) + " " + tuple2 . _2 ( ) ) ;
}
//对Key合并value值
JavaPairRDD < String , Integer > uniquePairRDD = pairRDD . reduceByKey ( new Function2 < Integer , Integer , Integer > ( ) {
@ Override
public Integer call ( Integer v1 , Integer v2 ) throws Exception {
return v1 + v2 ;
}
} ) ;
list = uniquePairRDD . collect ( ) ;
for ( Tuple2 < String , Integer > tuple2 : list ) {
System . out . println ( tuple2 . _1 ( ) + " " + tuple2 . _2 ( ) ) ;
}
//计算topN
JavaRDD < SortedMap < Integer , String > > sortedMapJavaRDD = uniquePairRDD . mapPartitions ( new FlatMapFunction < Iterator < Tuple2 < String , Integer > > , SortedMap < Integer , String > > ( ) {
@ Override
public Iterator < SortedMap < Integer , String > > call ( Iterator < Tuple2 < String , Integer > > tuple2Iterator ) throws Exception {
SortedMap < Integer , String > sortedMap = new TreeMap < Integer , String > ( compare . Instance ) ;
while ( tuple2Iterator . hasNext ( ) ) {
Tuple2 < String , Integer > tuple2 = tuple2Iterator . next ( ) ;
sortedMap . put ( tuple2 . _2 ( ) , tuple2 . _1 ( ) ) ;
if ( sortedMap . size ( ) > topN . value ( ) ) {
sortedMap . remove ( sortedMap . firstKey ( ) ) ;
}
}
return Collections . singletonList ( sortedMap ) . iterator ( ) ;
}
} ) ;
//对多个分区进行合并
List < SortedMap < Integer , String > > sortedMapList = sortedMapJavaRDD . collect ( ) ;
SortedMap < Integer , String > top10Map = new TreeMap < > ( ) ;
for ( SortedMap < Integer , String > map : sortedMapList ) {
for ( Map . Entry < Integer , String > entry : map . entrySet ( ) ) {
top10Map . put ( entry . getKey ( ) , entry . getValue ( ) ) ;
if ( top10Map . size ( ) > topN . value ( ) ) {
top10Map . remove ( top10Map . firstKey ( ) ) ;
}
}
}
System . out . println ( "----------top 10------------------" ) ;
for ( Map . Entry < Integer , String > entry : top10Map . entrySet ( ) ) {
System . out . println ( entry . getKey ( ) + " " + entry . getValue ( ) ) ;
}
}
}

方案二：

点击( 此处 )折叠或打开

import org . apache . spark . SparkConf ;
import org . apache . spark . api . java . JavaPairRDD ;
import org . apache . spark . api . java . JavaRDD ;
import org . apache . spark . api . java . JavaSparkContext ;
import org . apache . spark . api . java . function . Function2 ;
import org . apache . spark . api . java . function . PairFunction ;
import scala . Tuple2 ;
import java . io . Serializable ;
import java . util . Comparator ;
import java . util . List ;
public class Top10TaskOrder {
public static class Comp implements Comparator < Tuple2 < String , Integer > > , Serializable {
public final static Comp INSTANCE = new Comp ( ) ;
@ Override
public int compare ( Tuple2 < String , Integer > o1 , Tuple2 < String , Integer > o2 ) {
return o2 . _2 ( ) . compareTo ( o1 . _2 ( ) ) ;
}
}
public static void main ( String [ ] args ) {
SparkConf conf = new SparkConf ( ) ;
conf . setMaster ( "local" ) . setAppName ( "Top10TaskOrder" ) ;
JavaSparkContext sc = new JavaSparkContext ( conf ) ;
JavaRDD < String > lines = sc . textFile ( "e:\\tmp\\input\\top10nonunique.txt" ) ;
JavaRDD < String > partLines = lines . coalesce ( 2 ) ;
JavaPairRDD < String , Integer > pairRDD = partLines . mapToPair ( new PairFunction < String , String , Integer > ( ) {
@ Override
public Tuple2 < String , Integer > call ( String s ) throws Exception {
s = s . trim ( ) ;
String [ ] splits = s . split ( "," ) ;
return new Tuple2 < String , Integer > ( splits [ 0 ] , Integer . parseInt ( splits [ 1 ] ) ) ;
}
} ) ;
JavaPairRDD < String , Integer > reducePairRDD = pairRDD . reduceByKey ( new Function2 < Integer , Integer , Integer > ( ) {
@ Override
public Integer call ( Integer v1 , Integer v2 ) throws Exception {
return v1 + v2 ;
}
} ) ;
List < Tuple2 < String , Integer > > takeOrderPairRDD = reducePairRDD . takeOrdered ( 10 , Comp . INSTANCE ) ;
System . out . println ( "--------------------top list------------------" ) ;
for ( Tuple2 < String , Integer > tuple2 : takeOrderPairRDD ) {
System . out . println ( tuple2 . _2 ( ) + " " + tuple2 . _1 ( ) ) ;
}
}

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。

码农书籍

计算机图形学与几何造型导论

戈德曼 / 邓建松 / 2011-9 / 69.00元

《世界著名计算机教材精选:计算机图形学与几何造型导论》是世界著名计算机教材精选之一。《世界著名计算机教材精选:计算机图形学与几何造型导论》共四部分三十章节，内容包括乌龟绘图，应用递归乌龟程序生成分形，分形的奇特性质，仿射变换，仿射几何：二维计算机图形学的连点过程，应用迭代函数系统生成分形，不动点定理及其推论，递归乌龟程序与共形迭代函数系统等。《世界著名计算机教材精选:计算机图形学与几何造型导论》可......一起来看看《计算机图形学与几何造型导论》这本书的介绍吧!

码农工具

CSS 压缩/解压工具

在线压缩/解压 CSS 代码

HEX CMYK 转换工具

HEX CMYK 互转工具