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
-
张三丰 90 李孟达 85 张三丰 87 王晓云 93 李孟达 65 张三丰 76 王晓云 78 李孟达 60 张三丰 94 王晓云 97 李孟达 88 张三丰 80 王晓云 88 李孟达 82 王晓云 98
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,期望输出结果如下所示
-
张三丰:94 张三丰:90 张三丰:87 李孟达:88 李孟达:85 李孟达:82 王晓云:98 王晓云:97 王晓云:93
数据表
t_grad
执行查询
-
SELECT * FROM t_grade tg WHERE (SELECT COUNT(*) FROM t_grade WHERE tg.name = t_grade.name AND score >= tg.score ) <= 3 ORDER BY name, score DESC;
预备工作:启动集群的HDFS与Spark
-
将成绩文件-grades.txt上传到HDFS上/input目录
-
二,开窗函数
(一)开窗函数概述
Spark 1.5.x版本以后,在Spark SQL和DataFrame中引入了开窗函数,其中比较常用的开窗函数就是row_number(),该函数的作用是根据表中字段进行分组,然后根据表中的字段排序;其实就是根据其排序顺序,给组中的每条记录添加一个序号,且每组序号都是从1开始,可利用它这个特性进行分组取topN。
(二)开窗函数格式
ROW_NUMBER()
OVER (PARTITION BY field1
ORDER BY field2
DESC) rank
分组求top3的SQL语句
-
三,