spark编程实战(一) —— Top K

最近正在看《Spark大数据处理：技术、应用与性能优化》这本书，然后对于最后一章的编程实战比较感兴趣。但是上面写的算法个人觉得还不是很简洁，无法体现出scala的优点，所以稍作了一些修改，仅供参考。

设计思路
首先统计WordCount的词频，将数据转化为（词，词频）的数据对，第二个阶段采用分
治的思想，求出RDD每个分区的Top K，最后将每个分区的Top K结果合并以产生新的集
合，在集合中统计出Top K的结果。 每个分区由于存储在单机的，所以可以采用单机求Top
K的方式。 本例采用堆的方式。 也可以直接维护一个含K个元素的数组，感兴趣的读者可以
参考其他资料了解堆的实现。

代码实现：

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

object TopK {

  def main(arg: Array[String]):Unit={
  	//创建spark
    val conf = new SparkConf().setAppName("dcd").setMaster("local")
    val sc = new SparkContext(conf)
	//读取数据
    val dataRDD = sc.textFile("F://wordcount.txt")
      .flatMap(_.split(" "))
      .map(x => (x, 1))
      .reduceByKey((a, b) => (a+b))
	//K，V 值反转，并取出前三位数据
    val topRDD = dataRDD.map{
      case(key, value) => (value, key)
    }.sortByKey().top(3).foreach(x =>println(x._2+"-->"+x._1))
    sc.stop()
  }

}