使用Spark core和SparkSQL的窗口函数分别实现分组取topN的操作

在spark 1.4及以上版本中，针对sparkSQL，添加了很多新的函数，进一步扩展了SparkSQL对数据的处理能力。

本篇介绍一个强大的窗口函数 row_number()函数，常用于对数据进行分组并取每个分组中的TopN数据。

示例数据如下：

class1 90

class2 56

class1 87

class1 76

class2 88

class1 95

class1 74

class2 87

class2 67

class2 77

1、直接使用Spark core中的api来实现分组取topN功能： 
首先将数据源读入代JavaRDD中，然后解析每一行数据，将每一行的第一个元素作为key，第二元素作为value构成tuple的RDD

SparkConf conf = new SparkConf().setAppName("groupTopN").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
JavaRDD<String> lines = sc.textFile("C:\\Temp\\groupTopN.txt");
JavaPairRDD<String,Integer> pairs = lines.mapToPair(new PairFunction<String, String, Integer>() {
@Overridepublic Tuple2<String, Integer> call(String line) throws Exception { 
   String[] lineSplited = line.split(" ");   
   return new Tuple2<String,Integer>(lineSplited[0],Integer.valueOf(lineSplited[1]));
   }
   } );

得到pairs是一个二元组的RDD，直接调用groupByKey()函数，就可以按照key来进行分组了

JavaPairRDD<String, Iterable<Integer>> grouped = pairs.groupByKey();

分组后每个key对应的这一个value的集合，这里，需要对每个key对应的value集合首先进行排序，然后取其前N个元素即可

JavaPairRDD<String,Iterable> groupedTopN = grouped.mapToPair(new PairFunction<Tuple2<String,Iterable<Integer>>, String, Iterable>() {        @Override
        public Tuple2<String, Iterable> call(Tuple2<String, Iterable<Integer>> values) throws Exception {
            Iterator<Integer> iter = values._2.iterator();
            List<Integer> list = new ArrayList<Integer>();
            while(iter.hasNext()){
                list.add(iter.next());
            }
            //将list中的元素排序
            list.sort(new Comparator<Integer>() {
                @Override
                public int compare(Integer t1, Integer t2) {
                    int i1 = t1;
                    int i2 = t2;
                    return -(i1 - i2);//逆序排列
                }
            });

             List<Integer> top3 = list.subList(0, 3);//直接去前3个元素
            return new Tuple2<String,Iterable>(values._1,top3);
        }
    });

为了便于验证，直接咋本地进行测试，并打印显示

groupedTopN.foreach(new VoidFunction<Tuple2<String,Iterable>>() { 
   @Override    
   public void call(Tuple2<String, Iterable> t) 
   throws Exception {
   System.out.println(t._1); 
   Iterator iterator = t._2.iterator();    
   while(iterator.hasNext()){  
   System.out.println(iterator.next()); 
   }        
   System.out.println("====华丽的分割线======="); 
   }});

2、使用SparkSQL的窗口函数来时上同样的功能

思路： 
窗口函数是HiveSQL中特有的，因此，首先将数据导入到hive表中，然后映射到Spark的DataFrame，在sql语句中直接调用窗口函数即可实现该功能

首先，直接在HiveSQL中创建对应的hive表，然后导入本地数据到hive表中

SparkConf conf = new SparkConf().setAppName("WindowFunctionTopN").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
HiveContext hiveContext = new HiveContext(sc.sc());
//将数据导入到hive表中
hiveContext.sql("DROP TABLE IF EXISTS class_info");
hiveContext.sql("CREATE TABLE IF NOT EXISTS class_info ("        + "class STRING,"        + "score INT");
hiveContext.sql("LOAD DATA "        + "LOCAL INPATH '/cqt/testdata/groupTopN.txt' "        + "INTO TABLE class_info");

然后，直接调用窗口函数row_number()，注意窗口函数的调用语法

<code class="hljs sql has-numbering" style="display: block; padding: 0px; color: inherit; box-sizing: border-box; font-family: 'Source Code Pro', monospace;font-size:undefined; white-space: pre; border-radius: 0px; word-wrap: normal; background: transparent;">DataFrame tom3DF = hiveContext.sql("<span class="hljs-operator" style="box-sizing: border-box;"><span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">select</span> class,score <span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">from</span><span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">" +"</span>(<span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">select</span> class,score,<span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">"
                + "</span>row_number() OVER (PARTITION <span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">BY</span> class <span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">ORDER</span> <span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">BY</span> score <span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">DESC</span>) rank <span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">from</span> class_info) tmp <span class="hljs-keyword" style="color: rgb(0, 0, 136); box-sizing: border-box;">where</span> rank<=<span class="hljs-number" style="color: rgb(0, 102, 102); box-sizing: border-box;">3</span><span class="hljs-string" style="color: rgb(0, 136, 0); box-sizing: border-box;">");</span></span></code><ul class="pre-numbering" style="box-sizing: border-box; position: absolute; width: 50px; top: 0px; left: 0px; margin: 0px; padding: 6px 0px 40px; border-right-width: 1px; border-right-style: solid; border-right-color: rgb(221, 221, 221); list-style: none; text-align: right; background-color: rgb(238, 238, 238);"><li style="box-sizing: border-box; padding: 0px 5px;">1</li><li style="box-sizing: border-box; padding: 0px 5px;">2</li><li></li></ul>

将得到的数据回写到hive表中保存即可

// 将每组排名前3的数据，保存到一个表中

hiveContext.sql("DROP TABLE IF EXISTS grouped_top3"); tom3DF.saveAsTable("grouped_top3");

至此，代码，编写完毕，相比于第一种方式，代码清爽很多！