Spark RDD的方式求TopN

数据

www.baidu.com,url5
www.baidu.com,url5
www.baidu.com,url5
www.baidu.com,url5
www.baidu.com,url5
www.google.com,url8
www.google.com,url2
www.google.com,url1
www.twitter.com,url10
www.twitter.com,url10
www.twitter.com,url10
www.twitter.com,url10
  1. 方式一
 val lines = sc.textFile("/ruozedata-spark-core/topn/site.log")
 val topN = 2;
 val rdd = lines.map(x=>{
      val splits = x.split(",")
      val domain = splits(0)
      val url = splits(1)
      ((domain,url),1)
    }).reduceByKey(_+_).groupBy(_._1._1).mapValues(x=> {
      /**
        * toList容易OOM,建议
        */
      x.toList.sortBy(-_._2).map(x => (x._1._2, x._2))
    }).take(topN)

其中直接x.toList容易引起OOM

  1. 方式二
val lines = sc.textFile("/ruozedata-spark-core/topn/site.log")
val processRDD = lines.map(x => {
      val splits = x.split(",")
      val domain = splits(0)
      val url = splits(1)
      ((domain, url), 1)
})
val domains = processRDD.map(_._1._1).distinct().collect()

domains.foreach(x => {
   processRDD.filter(_._1._1 == x).reduceByKey(_ + _)
        .sortBy(-_._2).take(topN)
})

在这里插入图片描述
虽然做了distinct,但是域名若果多了,UI还是会爆掉(sortBy会很多)

  1. 方式三:使用分区
class TopnPartitioner(domains:Array[String]) extends Partitioner{
  val map = mutable.HashMap[String,Int]()

  for(i <- 0 until(domains.length)){
    map(domains(i)) = i
  }

  override def numPartitions: Int = domains.length

  override def getPartition(key: Any): Int = {
    val domain = key.asInstanceOf[(String,String)]._1
    map(domain)
  }
}

val topN = 2;
val lines = sc.textFile("/ruozedata-spark-core/topn/site.log")
val processRDD = lines.map(x => {
      val splits = x.split(",")
      val domain = splits(0)
      val url = splits(1)
      ((domain, url), 1)
 })
val domains = processRDD.map(_._1._1).distinct().collect()
val result = processRDD.reduceByKey(new TopnPartitioner(domains),_+_)
result.mapPartitions(partition => {
      partition.toList.sortBy(-_._2).take(topN).iterator
    }).collect()

在这里插入图片描述
UI的情况有所好转,,但是因为take需要将所有数据都拉取到Driver上才能完成操作
方式四:较优的解决方案

val topN = 2;
val lines = sc.textFile("/ruozedata-spark-core/topn/site.log")
val processRDD = lines.map(x => {
   val splits = x.split(",")
   val domain = splits(0)
   val url = splits(1)
  ((domain, url), 1)
})

val domains = processRDD.map(_._1._1).distinct().collect()
val result = processRDD.reduceByKey(new TopnPartitioner(domains),_+_)
	result.mapPartitions(partition => {
      var treeSet = new mutable.TreeSet[((String,String),Int)]()(new TopOrdering())
      partition.foreach(x=>{
        treeSet.add(x)
        if(treeSet.size > topN) {
          treeSet = treeSet.dropRight(1)
        }
      })
      treeSet.iterator
})
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Spark RDD中分组取TopN案例是指在一个RDD中,根据某个键进行分组,然后对每个组内的数据进行排序,取出每个组内的前N个数据。这种操作在数据分析和处理中非常常见,可以用于统计每个地区的销售额排名前N的产品、每个用户的消费排名前N的商品等。 优化方面,可以考虑使用Spark SQL或DataFrame来实现分组取TopN操作,因为它们提供了更高级的API和优化技术,可以更快速地处理大规模数据。另外,可以使用分布式缓存技术将数据缓存到内存中,以加快数据访问速度。还可以使用分区和并行计算等技术来提高计算效率。 ### 回答2: Spark RDD中分组取Top N的案例可以是对一个大数据集中的用户数据进行分组,然后取每个组中消费金额最高的前N个用户。这个案例可以通过以下步骤来实现: 1. 将用户数据载入Spark RDD中,每个数据记录包含用户ID和消费金额。 2. 使用groupBy函数将RDD按照用户ID进行分组,得到一个以用户ID为key,包含相同用户ID的数据记录的value的RDD。 3. 对每个分组的value调用top函数,指定N的,以获取每个分组中消费金额最高的前N个用户。 4. 可以将每个分组中Top N的用户使用flatMap函数展开为多个记录,并可以添加一个新的字段表示该记录属于哪个分组。 5. 最后,可以使用collect函数将结果转化为数组或者保存到文件或数据库中。 在这个案例中,进行优化的关键是减少数据的传输和处理开销。可以使用缓存或持久化函数对RDD进行优化,以减少重复计算。另外,可以使用并行操作来加速计算,如使用并行的排序算法,或向集群中的多个节点分发计算任务。 对于分组取Top N的优化,还可以考虑使用局部聚合和全局聚合的策略。首先对每个分组内的数据进行局部聚合,例如计算每个分组的前M个最大。然后,对所有分组的局部聚合结果进行全局聚合,例如计算所有分组的前K个最大。 另一个优化策略是使用采样技术,例如随机采样或分层采样,以减少需要处理的数据量。 最后,还可以考虑使用Spark的其他高级功能,如Broadcast变量共享数据,使用累加器进行计数或统计等,来进一步提高性能和效率。 ### 回答3: Spark RDDSpark 提供的一种基于内存的分布式数据处理模型,其核心数据结构是弹性分布式数据集(RDD)。 在 Spark RDD 中,分组取TopN 是一种常见的需,即对 RDD 中的数据按某个字段进行分组,并取出每个分组中字段最大的前 N 个数据。 下面以一个示例来说明分组取 TopN 的用法和优化方法: 假设有一个包含学生信息的 RDD,其中每条数据都包括学生的学科和分数,我们希望对每个学科取出分数最高的前 3 名学生。 ```python # 创建示例数据 data = [ ("语文", 80), ("数学", 90), ("语文", 85), ("数学", 95), ("语文", 75), ("数学", 92), ("英语", 88) ] rdd = sc.parallelize(data) # 分组取TopN top3 = rdd.groupByKey().mapValues(lambda x: sorted(x, reverse=True)[:3]) # 输出结果 for subject, scores in top3.collect(): print(subject, scores) # 输出结果: # 数学 [95, 92, 90] # 语文 [85, 80, 75] # 英语 [88] ``` 在上述代码中,我们先使用 `groupByKey()` 对 RDD 进行分组操作,然后使用 `mapValues()` 对每个分组内的数据进行排序并取前 3 个。 这种方式的优化点在于,通过将分组操作和取 TopN 操作分开,可以减轻数据倾斜的问题。同时,对每个分组进行排序会占用大量计算资源,可以考虑将数据转换为 Pair RDD,并利用 Spark 提供的 `top()` 算子来优化取 TopN 的操作。 ```python # 转换为 Pair RDD pair_rdd = rdd.map(lambda x: (x[0], x[1])) # 分组并取TopN,使用top()算子代替排序操作 top3 = pair_rdd.groupByKey().mapValues(lambda x: sorted(x, reverse=True)).mapValues(lambda x: x[:3]) # 输出结果 for subject, scores in top3.collect(): print(subject, scores) # 输出结果: # 数学 [95, 92, 90] # 语文 [85, 80, 75] # 英语 [88] ``` 通过以上优化,我们可以更好地处理大规模数据集下的分组取 TopN 的需,提高计算性能和资源利用率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值