Spark小练习——求各科老师最受欢迎的TopN

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

})

【注】本文参考自小牛课堂学习视频