Spark RDD案例(一)分组TopN

本文介绍了在Spark中实现分组TopN的几种方法,通过具体代码示例展示如何处理类似网站日志数据,找出每个科目老师访问次数最多的2个。涉及到的关键操作包括reduceByKey、distinct、takeOrdered、自定义分区器、repartitionAndSortWithinPartitions等,旨在解决大数据场景下的高效数据处理问题。

Spark RDD案例(一)分组TopN

1. 背景

  1. 作为分布式数据处理引擎,Spark抽象出了很多算子,使得编程对比mapreduce更加遍历,实现需求时,也可以更加灵活,但也更容易出错。
  2. 本文是大数据常见场景分组TopN的简化案例,实际企业生产中也会相对频繁遇到类似需求

2. 案例

  1. 需求
    以下数据是类似网站日志的记录,需要求出每个科目老师访问次数最多的那2个。
  2. 数据
http://bigdata.doit.cn/laozhang
http://bigdata.doit.cn/laozhang
http://bigdata.doit.cn/laozhao
http://bigdata.doit.cn/laozhao
http://bigdata.doit.cn/laozhao
http://bigdata.doit.cn/laozhao
http://bigdata.doit.cn/laozhao
http://bigdata.doit.cn/laoduan
http://bigdata.doit.cn/laoduan
http://javaee.doit.cn/xiaozhang
http://javaee.doit.cn/xiaozhang
http://javaee.doit.cn/laowang
http://javaee.doit.cn/laowang
http://javaee.doit.cn/laowang

2.1 代码一

package com.doit.practice

import com.doit.foreach.ForeachTest
import org.apache.spark.rdd.RDD
import org.apache.spark.{
   
   Partitioner, SparkConf, SparkContext}

/*
* 数据形式如下,http://bigdata.doit.cn/laozhang
* 需求是得出每个科目最受欢迎老师
* 以下是所有数据

* */
object TopNTest1 {
   
   
  def main(args: Array[String]): Unit = {
   
   

    val conf: SparkConf = new SparkConf().setAppName(TopNTest1.getClass.getSimpleName).setMaster("local[*]")

    val sc = new SparkContext(conf)

    val rdd1: RDD[String] = sc.textFile("E:\\DOITLearning\\12.Spark\\teacherlog.txt")

    // 先把数据匹配出来
    val mapedRdd: RDD[((String, String), Int)] = rdd1.map(line => {
   
   
      val strings: Array[String] = line.split("/+")
      val domian: String = strings(1)
      val domainSplits: Array[String] = domian.split("\\.")
      val subject: String = domainSplits(0)
      val name: String = strings(2)

      ((subject, name), 1)
    })
    /*
    * mapedRdd: ArrayBuffer(((bigdata,laozhang),1), ((bigdata,laozhang),1), 
    * ((bigdata,laozhao),1), ((bigdata,laozhao),1), ((bigdata,laozhao),1),
    *  ((bigdata,laozhao),1), ((bigdata,laozhao),1), ((bigdata,laoduan),1), 
    * ((bigdata,laoduan),1), ((javaee,xiaozhang),1), ((javaee,xiaozhang),1), 
    * ((javaee,laowang),1), ((javaee,laowang),1), ((javaee,laowang),1))
    * */
    println("mapedRdd: " + mapedRdd.collect().toBuffer)

    // 使用key进行聚合,把观看次数聚合起来
    val reduceRDD: RDD[((String, String), Int)] = mapedRdd.reduceByKey(_ + _)
    /*
    * reduceRDD: ArrayBuffer(((javaee,xiaozhang),2), ((bigdata,laozhang),2), 
    * ((javaee,laowang),3), ((bigdata,laozhao),5), ((bigdata,laoduan),2))
    * */
    println("reduceRDD: " + reduceRDD.collect().toBuffer)

    // 降序排列
    val sortedRDD: RDD[((String, String), Int)] = reduceRDD.sortBy(_._2, false)
    /*
    * sortedRDD: ArrayBuffer(((bigdata,laozhao),5), ((javaee,laowang),3), 
    * ((javaee,xiaozhang),2), ((bigdata,laozhang),2), ((bigdata,laoduan),2))
    * */
    println("sortedRDD: " + sortedRDD.collect().toBuffer)

    // 按照学科分类
    val subjectReducedRDD: RDD[(String, Iterable[((String, String), Int)])] = reduceRDD.groupBy(_._1._1)
    /*
    * subjectReducedRDD: ArrayBuffer((javaee,CompactBuffer(((javaee,xiaozhang),2), ((javaee,laowang),3))), 
    * (bigdata,CompactBuffer(((bigdata,laozhang),2), ((bigdata,laozhao),5), ((bigdata,laoduan),2))))
    * */
    println("subjectReducedRDD: " + subjectReducedRDD.collect().toBuffer)

    // 将学科分类后数据进行区粒度处理
    val res: RDD[(String, List[((String, String), Int)])] = subjectReducedRDD.mapValues(iter => {
   
   
      iter.toList.sortBy(-_._2).take(2)
    })
    /*
    * res: ArrayBuffer((javaee,List(((javaee,laowang),3), ((javaee,xiaozhang),2))), 
    * (bigdata,List(((bigdata,laozhao),5), ((bigdata,laozhang),2))))
    * */
    println("res: " + res.collect().toBuffer)

    sc.stop()
  }
}

运行结果

res: ArrayBuffer((javaee,List(((javaee,laowang),3), ((javaee,xiaozhang),2))), (bigdata,List(((bigdata,laozhao),5), ((bigdata,laozhang),2))))

上述代码,有用到toList再排序,需要注意内存消耗以及数据量大小,过大则不适合这么处理。

2.2 代码二


val conf: SparkConf = new SparkConf().setAppName(TopNTest1.getClass.getSimpleName).setMaster("local[*]")

    val sc = new SparkContext(conf)

    // http://javaee.doit.cn/laowang
    val rdd1: RDD[String] = sc.textFile("E:\\DOITLearning\\12.Spark\\teacherlog.txt")

    val reducedRDD: RDD[((String, String), Int)] = rdd1.map(line => {
   
   
      val strings: Array[String] = line.split("/+")
      val domain: String = strings(1)
      val name: String = strings(2)
      val domainSplits: Array[String] = domain.split("\\.")
      val subject: String = domainSplits(0)

      ((subject, name), 1)
    }).reduceByKey(_ + _)
    println("reducedRDD: " + reducedRDD.collect().toBuffer)
    /**
     * reducedRDD: ArrayBuffer(((javaee,xiaozhang),2), ((bigdata,laozhang),2),
     * ((javaee,laowang),3), ((bigdata,laozhao),5), ((bigdata,laoduan),2))
     **/

    // 获取科目数组,注意需要去重
    val subjects: Array[String] = reducedRDD.map(e => e._1._1).distinct().collect()
    
    /**
     * ArrayBuffer((javaee,CompactBuffer(((javaee,xiaozhang),2), ((javaee,laowang),3))),
     * (bigdata,CompactBuffer(((bigdata,laozhang),2), ((bigdata,laozhao),5), ((bigdata,laoduan),2))))
     **/

    for (elem <- subjects) {
   
   
      // 过滤出当前科目的所有数据
      val filteredSubjectRDD: RDD[((String, String), Int)] = reducedRDD.filter(e => e._1._1
### 回答1: Spark RDD分组TopN案例是指在RDD中,根据某个键值进行分组,然后对每个组内的数据进行排序,取出每个组内的前N个数据。这种操作在数据分析和处理中非常常见,可以用于统计每个地区的销售额排名前N的产品、每个用户的消费排名前N的商品等。 优化方面,可以考虑使用Spark SQL或DataFrame来实现分组TopN操作,因为它们提供了更高级的API和优化技术,可以更快速地处理大规模数据。另外,可以使用分布式缓存技术将数据缓存到内存中,以加快数据访问速度。还可以使用分区和并行计算等技术来提高计算效率。 ### 回答2: Spark RDD分组取Top N的案例可以是对大数据集中的用户数据进行分组,然后取每个组中消费金额最高的前N个用户。这个案例可以通过以下步骤来实现: 1. 将用户数据载入Spark RDD中,每个数据记录包含用户ID和消费金额。 2. 使用groupBy函数将RDD按照用户ID进行分组,得到个以用户ID为key,包含相同用户ID的数据记录的value的RDD。 3. 对每个分组的value调用top函数,指定N的值,以获取每个分组中消费金额最高的前N个用户。 4. 可以将每个分组中Top N的用户使用flatMap函数展开为多个记录,并可以添加个新的字段表示该记录属于哪个分组。 5. 最后,可以使用collect函数将结果转化为数组或者保存到文件或数据库中。 在这个案例中,进行优化的关键是减少数据的传输和处理开销。可以使用缓存或持久化函数对RDD进行优化,以减少重复计算。另外,可以使用并行操作来加速计算,如使用并行的排序算法,或向集群中的多个节点分发计算任务。 对于分组取Top N的优化,还可以考虑使用局部聚合和全局聚合的策略。首先对每个分组内的数据进行局部聚合,例如计算每个分组的前M个最大值。然后,对所有分组的局部聚合结果进行全局聚合,例如计算所有分组的前K个最大值。 另个优化策略是使用采样技术,例如随机采样或分层采样,以减少需要处理的数据量。 最后,还可以考虑使用Spark的其他高级功能,如Broadcast变量共享数据,使用累加器进行计数或统计等,来进步提高性能和效率。 ### 回答3: Spark RDDSpark 提供的种基于内存的分布式数据处理模型,其核心数据结构是弹性分布式数据集(RDD)。 在 Spark RDD 中,分组TopN种常见的需求,即对 RDD 中的数据按某个字段进行分组,并取出每个分组中字段值最大的前 N 个数据。 下面以个示例来说明分组TopN 的用法和优化方法: 假设有个包含学生信息的 RDD,其中每条数据都包括学生的学科和分数,我们希望对每个学科取出分数最高的前 3 名学生。 ```python # 创建示例数据 data = [ ("语文", 80), ("数学", 90), ("语文", 85), ("数学", 95), ("语文", 75), ("数学", 92), ("英语", 88) ] rdd = sc.parallelize(data) # 分组TopN top3 = rdd.groupByKey().mapValues(lambda x: sorted(x, reverse=True)[:3]) # 输出结果 for subject, scores in top3.collect(): print(subject, scores) # 输出结果: # 数学 [95, 92, 90] # 语文 [85, 80, 75] # 英语 [88] ``` 在上述代码中,我们先使用 `groupByKey()` 对 RDD 进行分组操作,然后使用 `mapValues()` 对每个分组内的数据进行排序并取前 3 个值。 这种方式的优化点在于,通过将分组操作和取 TopN 操作分开,可以减轻数据倾斜的问题。同时,对每个分组进行排序会占用大量计算资源,可以考虑将数据转换为 Pair RDD,并利用 Spark 提供的 `top()` 算子来优化取 TopN 的操作。 ```python # 转换为 Pair RDD pair_rdd = rdd.map(lambda x: (x[0], x[1])) # 分组并取TopN,使用top()算子代替排序操作 top3 = pair_rdd.groupByKey().mapValues(lambda x: sorted(x, reverse=True)).mapValues(lambda x: x[:3]) # 输出结果 for subject, scores in top3.collect(): print(subject, scores) # 输出结果: # 数学 [95, 92, 90] # 语文 [85, 80, 75] # 英语 [88] ``` 通过以上优化,我们可以更好地处理大规模数据集下的分组TopN 的需求,提高计算性能和资源利用率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值