文章目录
一、提出任务
- 分组求TopN是大数据领域常见的需求,主要是根据数据的某一列进行分组,然后将分组后的每一组数据按照指定的列进行排序,最后取每一组的前N行数据。
- 有一组学生成绩数据
小王 55
夏利 85
小张 99
小王 87
夏利 99
小张 86
小王 88
小张 56
夏利 45
小张 88
小王 84
夏利 100
- 要求:同一个学生有多门成绩,现需要计算每个学生分数最高的前3个成绩
- 启动集群
- 创建目录fff
将成绩文件 - grades.txt上传到HDFS上/fff目录
- 实现思路:使用Spark RDD的groupByKey()算子可以对(key,
value)形式的RDD按照key进行分组,key相同的元素的value将聚合到一起,形成(key,
value-list),将value-list中的元素降序排列取前N个即可。
二、完成任务
(一)新建Maven项目
- 设置项目信息(项目名、保存位置、组编号、项目编号)
- 单击【Finish】按钮
- 将java目录改成scala目录
(二)添加相关依赖和构建插件
- 在pom.xml文件里添加依赖与Maven构建插件
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>groupId</groupId>
<artifactId>GradeTopN1</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.11.12</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.1.1</version>
</dependency>
</dependencies<