spark 实现二次排序

在实际业务场景中，二次排序真的非常重要，并且经常遇到，下面来模拟一下以下的场景，实现对电影评分数据进行二次排序，以TimeStamp和Rating两个维度降序排列，值得一提的是，java版本的二次排序非常繁琐，而使用scala实现就简捷，首先我们需要一个继承Ordered和Serializable的类。

数据：

ratings.txt    (UserID::MovieID::Rating::TimeStamp)

001::01::3::1046454590
002::02::3::1046454533
001::03::5::1046454523
003::02::4::1046454576
002::07::3::1046454545
001::06::3::1046454509

class SecondarySortKey(val first:Double,val second:Double) extends  Ordered[SecondarySortKey] with  Serializable{
  //这个类中重写了compare方法
  override def compare(that: SecondarySortKey): Int = {
    //既然是二次排序，就先判断第一个字段是否相等，如果不相等，就直接排序
    if(this.first-that.first!=0){
      (this.first-that.first).toInt
    }else{
      //如果第一个字段相等，就比较第二个字段，若想要实现多次排序，也按照这个模式继续比较下去
      if(this.second-that.second>0){
        //ceil向上取整
        Math.ceil(this.second-that.second).toInt
      }else if(this.second-that.second<0){
        Math.floor(this.second-that.second).toInt
      }else{
        (this.second-that.second).toInt
      }
    }
  }
}

然后再加载数据为RDD，再把RDD的每条记录，里面想要的字段封装到上面定义的类中作为key,把该条记录整体作为value

object movies {
  def main(args: Array[String]): Unit = {
    Logger.getLogger("org").setLevel(Level.WARN)
    val sparkConf = new SparkConf().setAppName("movies").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
    val ratingsRDD = sc.textFile("C:\\Users\\xxx\\Desktop\\ratings.txt")
    val moviesRDD = sc.textFile("C:\\Users\\xxx\\Desktop\\movies.txt")
    val usersRDD = sc.textFile("C:\\Users\\xxx\\Desktop\\users.txt")

    val pairWithSortKey=ratingsRDD.map(line=>{
      val splited=line.split("::")
      (new SecondarySortKey(splited(3).toDouble,splited(2).toDouble),line)
    })
    //直接调用sortBykey，此时会按照之前实现的compare方法排序
    val sorted=pairWithSortKey.sortByKey(false)
    val sortResult=sorted.map(sortedline=>sortedline._2).take(10)
    sortResult.foreach(println(_))
    
    sc.stop()

  }

}

结果：

001::01::3::1046454590
003::02::4::1046454576
002::07::3::1046454545
002::02::3::1046454533
001::03::5::1046454523
001::06::3::1046454509

取出排序后的RDD的value,此时这些记录已经是按照时间戳和评分排好序的，从上面结果可以看出已经按照timestamp和评分排序排列了。