spark二次排序

一般的二次排序，可以参考https://www.iteblog.com/archives/1819.html这篇文章，但是他的这种方式有问题。在这块代码：

item._2.toList.sortWith(_.toInt<_.toInt)

如果数据量非常大的话，会全部加在到内存中，容易造成内存溢出。

在spark中可以使用repartitionAndSortWithinPartitions这个算子，它会一边进行shuffle的时候就会对分区中的数据进行排序，要使用这个算子需要做两件事：

1. 自定义Partitioner

2. 提供一个隐式的Ordering，可以看一下OrderedRDDFunctions源码中该算子需要的参数

   private val ordering = implicitly[Ordering[K]]
   
   def repartitionAndSortWithinPartitions(partitioner: Partitioner): RDD[(K, V)] = self.withScope {
    new ShuffledRDD[K, V, V](self, partitioner).setKeyOrdering(ordering)
   }

数据还是上面那篇文章中的数据

2015,1,24
2015,3,56
2015,1,3
2015,2,-43
2015,4,5
2015,3,46
2014,2,64
2015,1,4
2015,1,21
2015,2,35
2015,2,0

还是将年和月拼成一个字符串然后将(年-月, 总数)当做key，value其实随便。

在进行分区时，只要<年-月>相同的都分到相同分区中

在进行排序是，先比较<年-月>，如果<年-月>相同再比较总数

代码

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

object SparkTest {

  def main(args: Array[String]): Unit = {
    implicit val ord = new Ordering[(String, Int)] {
      override def compare(x: (String, Int), y: (String, Int)): Int = {
        val c = x._1.compareTo(y._1)
        if (c == 0) x._2.compareTo(y._2) else c
      }
    }

    val conf = new SparkConf().setMaster("local[*]").setAppName("SparkTest")
    val sc = new SparkContext(conf)
    val rdd = sc.parallelize(Seq("2015,1,24", "2015,3,56", "2015,1,3", "2015,2,-43", "2015,4,5", "2015,3,46", "2014,2,64", "2015,1,4", "2015,1,21", "2015,2,35", "2015,2,0"))
    rdd.map(s => {
      val arr = s.split(",")
      ((s"${arr(0)}-${arr(1)}", arr(2).toInt), arr(2).toInt)
    })
      .repartitionAndSortWithinPartitions(new CustomPartitioner(3))
      .map { case ((k, v), _) => (k, v) }
      .saveAsTextFile("xxxxxx")

  }

  class CustomPartitioner(partitions: Int) extends Partitioner {

    require(partitions > 0, s"Number of partitions ($partitions) cannot be negative.")

    def numPartitions: Int = partitions

    def getPartition(key: Any): Int = key match {
      case (k: String, _: Int) => math.abs(k.hashCode % numPartitions)
      case null => 0
      case _ => math.abs(key.hashCode % numPartitions)
    }

    override def equals(other: Any): Boolean = other match {
      case h: CustomPartitioner => h.numPartitions == numPartitions
      case _ => false
    }

    override def hashCode: Int = numPartitions
  }

}

最后三个分区的数据

(2014-2,64)
(2015-1,3)
(2015-1,4)
(2015-1,21)
(2015-1,24)
(2015-4,5)

(2015-2,-43)
(2015-2,0)
(2015-2,35)

(2015-3,46)
(2015-3,56)