SPARK TOPK程序

第一种TOPK排序方式

整个排序取 TopK 的实现：

• Case: 
  输入：文本文件 
  输出： 
  (158,) 
  (28,the) 
  (19,to) 
  (18,Spark) 
  (17,and) 
  (11,Hadoop) 
  (10,##) 
  (8,you) 
  (8,with) 
  (8,for)
• 算法： 
  首先实现wordcount，topk实现是以wordcount为基础，在分词统计完成后交换key/value，然后调用sortByKey进行排序。

• scala

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


object TopK {
  def main(args: Array[String]) {
    if (args.length != 2) {
      System.out.println("Usage: <src> <num>")
      System.exit(1)
    }

    val conf = new SparkConf().setAppName("TopK")
    val sc = new SparkContext(conf)

    val lines = sc.textFile(args(0))
    val ones = lines.flatMap(_.split(" ")).map(word => (word, 1))
    val count = ones.reduceByKey((a, b) => a + b)
    val convert = count.map {
      case (key, value) => (value, key)
    }.sortByKey(true, 1)
    convert.top(args(1).toInt).foreach(a => System.out.println("(" + a._2 + "," + a._1 + ")"))
}
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

• 应用场景： 
  TopK模型常用于分析消费者热门消费分析、网站/博客点击量、用户浏览量分析，最新热词及热门搜索等的分析处理

第二种TOPK排序方式

基于最小堆的实现：

最大/小堆，对应的数据结构优先级队列，PriorityQueue，不光 Java 中有，Scala 中也有，当然 c++ 中也有

object TopK {

  val K = 3

  val ord = Ordering.by[(String, Int), Int](_._2).reverse

  def main(args: Array[String]) {
    // 执行 wordcount
    val conf = new SparkConf().setAppName("TopK")
    val spark = new SparkContext(conf)
    val textRDD = spark.textFile("hdfs://10.0.8.162:9000/home/yuzx/input/wordcount.txt")
    val countRes = textRDD.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_ + _)

    // debug mapreduce 的结果
    countRes.foreach(println)

    /*
     每个 RDD 分区内进行 TOP K 计算
     需要每个分区内有自己的桶，如果整个程序使用一个 heap（将 heap 设定为成员变量） 会不正确
     为什么呢？
      */
    val topk = countRes.mapPartitions(iter => {
      val heap = new mutable.PriorityQueue[(String, Int)]()(ord)
      while (iter.hasNext) {
        val n = iter.next
        println("分区计算：" + n)
        putToHeap(heap, n)
      }

      heap.iterator
    }).collect()

    println("分区结果：")
    topk.foreach(println)

    // 每个分区的 TOP K 合并，计算总的 TopK
    val heap = new mutable.PriorityQueue[(String, Int)]()(ord)
    val iter = topk.iterator
    while (iter.hasNext) {
      putToHeap(heap, iter.next)
    }

    println("最终结果：")
    while (heap.nonEmpty) {
      println(heap.dequeue())
    }

    spark.stop()

  }

  def putToHeap(heap: mutable.PriorityQueue[(String, Int)], iter: (String, Int)): Unit = {
    if (heap.nonEmpty && heap.size >= K) {
      if (heap.head._2 < iter._2) {
        heap += iter
        heap.dequeue()
      }
    } else {
      heap += iter
    }
  }

}