Spark小练习——求各科老师最受欢迎的TopN

 【注】本文参考自小牛学堂学习视频

Spark小练习——求各科老师最受欢迎的TopN

数据格式：http://bigdata.edu360.cn/laozhang

1.数据切分

val func=(line:String)=>{
  val index=line.lastIndexOf("/")
  val teacher=line.substring(index+1)
  val httpHost=line.substring(0,index)
  val subject=new URL(httpHost).getHost.split("[.]")(0)
  // (subject,teacher)
    //（teacher,1）
}

2.逻辑计算

2.1求所有科目中最受欢迎的老师topN

//拿到数据源
val lines=sc.textFile(path)
val teacherAndOne=lines.map(func)
val reduced=teacherAndOne.reduceByKey(_+_)
val sorted=reduced.sortBy(_._2,false)
val result=sorted.top(topN))

2.2求各科最受欢迎老师的topN

（1）使用Scala中的sortBy方法(适用于数据量较小的情况)

val lines=sc.textFile(path)
val subjectAndTeacher=lines.map(func)
val maped=subjectAndTeacher.map((_,1))
val reduced=maped.reduceByKey(_+_)
//按学科分组，得到的key是学科，value是学科对应的老师数据的迭代器
val grouped: RDD[(String, Iterable[((String, String), Int)])]=reduced.groupBy(_._1._1)
//将每一个组拿出来进行操作
//为什么可以调用scala的sortBy方法
//因为一个学科的数据已经在一台机器上的一个集合里了（缺点：在内存中序，
//如果数据量大的话，可能会出问题）
val sorted=grouped.mapValues(_.toList.sortBy(_._2).reverse.take(topN))
//数据量较小，所以就直接收集了，也可以把它存储到文件中
val result=sorted.collect()

（2）使用RDD中的sortBy方法(适用于数据量较大的情况)

val lines=sc.textFile(path)
val subjectAndTeacher=lines.map(func)
val subjects=subjectAndTeacher.keys.distinct()
val maped=subjectAndTeacher.map((_,1))
val reduced=maped.reduceByKey(_+_)
for(sb <- subjects){
  val filter=reduce.filter(_._1.equals(sb))
  //现在调用的是RDD上的sortBy方法，可在内存与磁盘中
  //take方法是先在Executor中取好前几个再通过网络发送到Driver,是个      //Action
  val r=filter.sortBy(_._2,false).take(topN)
  //然后把r收集或存储起来
}

（3）自定义分区器，以学科来分区      

  i.分区器SubjectPartitioner
class SubjectPartitioner(subjects:Array[String]) extends Partitioner{
  //相当于主构造器（new的时候会执行一次）
  //用于存放规则的一个map
  val rules=new mutable.HashMap[String,Int]()
  var i=0
  for(sb <- subjects){
    rules(sb)=i
    i=i+1
  }
  //返回分区的数量（下一个RDD有多少分区）
  override def numPartitions:Int =subjects.length
    //根据传入的key计算分区标号
  override def getPartition(key: Any):Int ={
    //key是一个元组(学科，老师)
    //sb：学科
    val sb=key.asInstanceOf[(String,String)]._1
    //根据规则计算分区编号
    rules(sb)
  }
}

    ii.逻辑

val lines=sc.textFile(path)
val subjectAndTeacher=lines.map(func)
val subjects=subjectAndTeacher.keys.distinct()
val maped=subjectAndTeacher.map((_,1))
//聚合
//第一次shuffle
val reduced=maped.reduceByKey(_+_)
//自定义分区器，按照指定的分区器来进行分区
//partitionBy按照指定的分区规则来分区
//第二次shuffle
val partitioned: RDD[((String, String), Int)] =reduce.partitionBy(new SubjectPartitioner(subjects))
//一次操作一个分区
val sorted=partitioned.mapPartitions(it => {
//将迭代器转换成List然后排序再转换成迭代器返回
  it.toList.sortBy(_._2).reverse.take(topN).iterator
 //缺点：又是加载到内存再排序
})

（4）减少shuffle次数

val lines=sc.textFile(path)
val subjectAndTeacher=lines.map(func)
val subjects=subjectAndTeacher.keys.distinct()
val maped=subjectAndTeacher.map((_,1))
//分区器
val sbPartitioner=new SubjectPartitioner(subjects)
//聚合
//第一次shuffle
val reduced=maped.reduceByKey(sbPartitioner,_+_)
//一次操作一个分区
val sorted=reduced.mapPartitions(it => {
//将迭代器转换成List然后排序再转换成迭代器返回
  it.toList.sortBy(_._2).reverse.take(topN).iterator
//缺点：又是加载到内存再排序
//优化：即排序，又不全部加载到内存
//考虑用一个定长TreeSet来装从迭代器中取出的数据，然后排序留下topN，后面的再装入新的数据，再排序，重复操作直到迭代完该学科的所有数据
})

最后

以上就是活泼镜子为你收集整理的Spark小练习——求各科老师最受欢迎的TopNSpark小练习——求各科老师最受欢迎的TopN的全部内容，希望文章能够帮你解决Spark小练习——求各科老师最受欢迎的TopNSpark小练习——求各科老师最受欢迎的TopN所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。