记一次使用Spark算子之用top()求Top N遇到的问题！！！

记一次使用Spark算子之用top()求Top N遇到的问题

需求：使用spark统计词频，并求出现次数最多的10个词以及出现次数
问题：用Spark算子top()，求top N的时候结果不准确

我们用一首被初中生唱收费的《That girl》来做测试：

步骤一：使用算子map() 、reduceByKey()、filter()统计词频

def wordcount(): Unit ={
  val  conf = new SparkConf().setAppName("wordcount").setMaster("local[*]")
  val sc = new  SparkContext(conf)
       sc.setLogLevel("ERROR")

  val rdd1 = sc.textFile("song.txt")
  val sortWord = rdd1.flatMap(_.split(" "))
    .map(x => (x,1))
    .reduceByKey((v1,v2) => v1 + v2)
    .filter(x => x._1 != "")
    .foreach(println)
    sc.stop()
}

输出：

步骤二：根据词频倒序排序
注意：sortBy(x => x._2,false,1)，需要设置分区数为1，不然会在不同的分区内排序

def wordcount(): Unit ={
  val  conf = new SparkConf().setAppName("wordcount").setMaster("local[*]")
  val sc = new  SparkContext(conf)
       sc.setLogLevel("ERROR")

  val rdd1 = sc.textFile("song.txt")
  val sortWord = rdd1.flatMap(_.split(" "))
    .map(x => (x,1))
    .reduceByKey((v1,v2) =>  v1 + v2)
    .filter(x => x._1 != "")
    .sortBy(x => x._2,false,1)
    .foreach(println)
    sc.stop()
}

输出：

步骤三：使用top()算子求top 10

def wordcount(): Unit ={
  val  conf = new SparkConf().setAppName("wordcount").setMaster("local[*]")
  val sc = new  SparkContext(conf)
       sc.setLogLevel("ERROR")

  val rdd1 = sc.textFile("song.txt")
  val sortWord = rdd1.flatMap(_.split(" "))
    .map(x => (x,1))
    .reduceByKey((v1,v2) => v1 + v2)
    .filter(x => x._1 != "")
    .sortBy(x => x._2,false,1)
    .top(2)
    .foreach(println)
    sc.stop()
}

输出：

注意： 这里问题来了，对比一下第二步和第三步的输出发现，得到的top 10结果并不是倒序排序后得到的前十个词！！！

我门来看看top()函数的源码：

def top(num: Int)(implicit ord: Ordering[T]): Array[T] = withScope {
  takeOrdered(num)(ord.reverse)
}

top()调用takeOrdered()的源码：

def takeOrdered(num: Int)(implicit ord: Ordering[T]): Array[T] = withScope {
 if (num == 0) {
   Array.empty
 } else {
   val mapRDDs = mapPartitions { items =>
     val queue = new BoundedPriorityQueue[T](num)(ord.reverse)
     queue ++= util.collection.Utils.takeOrdered(items, num)(ord)
     Iterator.single(queue)
   }
   if (mapRDDs.partitions.length == 0) {
     Array.empty
   } else {
     mapRDDs.reduce { (queue1, queue2) =>
       queue1 ++= queue2
       queue1
     }.toArray.sorted(ord)
   }
 }
}

问题分析：

top()算子底层调用了 takeOrdered()这个函数，这个函数也是RDD中的一个算子，来看看上边的源码：

首先takeOrdered()里调用了 mapPartitions()；
其次top()会对我之前sortBy()的结果按照key重新排序，所以导致了我们Top N的结果不准确；

解决方案：

方案一：指定top()的排序方法，这里我们直接根据value排序：sortBy(x => x._2,false).top(10)(Ordering.by(e => e._2)
方案二：不用top()，直接用sortBy(x =>x._2,false).take(10)
方案三：既然top()底层调用的是takeOrdered()，我们也直接可以用takeOrdered(10)(Ordering.by(e => e._2)
*思考：方案一中，我们既然指定了top()的排序方式，还需要sortBy()嘛？？？当然可以不用啊！！！所以我们可以去掉sortBy()
*科普一下：top(10)(Ordering.by(e => e._2) 这种写法叫做函数的柯里化。
*柯里化(Currying)：把接受多个参数的函数变换成接受一个单一参数(最初函数的第一个参数)的函数，并且返回接受余下的参数且返回结果的新函数的技术。这个技术由 Christopher Strachey 以逻辑学家 Haskell Curry 命名的，尽管它是 Moses Schnfinkel 和 Gottlob Frege 发明的。

# 使用top():
def wordcount(): Unit ={
  val  conf = new SparkConf().setAppName("wordcount").setMaster("local[*]")
  val sc = new  SparkContext(conf)
  sc.setLogLevel("ERROR")

  val rdd1 = sc.textFile("song.txt")
  val sortWord = rdd1.flatMap(_.split(" "))
    .map(x => (x,1))
    .reduceByKey((v1,v2) => v1 + v2)
    .filter(x => x._1 != "")
    //.sortBy(x => x._2,false,1)
    .top(10)(Ordering.by(x => x._2))
    .foreach(println)
  sc.stop()
}

# 使用take()
def wordcount(): Unit ={
  val  conf = new SparkConf().setAppName("wordcount").setMaster("local[*]")
  val sc = new  SparkContext(conf)
  sc.setLogLevel("ERROR")

  val rdd1 = sc.textFile("song.txt")
  val sortWord = rdd1.flatMap(_.split(" "))
    .map(x => (x,1))
    .reduceByKey((v1,v2) => v1 + v2)
    .filter(x => x._1 != "")
    .sortBy(x =>x._2,false).take(10)
    .foreach(println)
  sc.stop()
}

两者结果都是一样的：

顺便放上take()的源码，感兴趣的可以看一看：

def take(num: Int): Array[T] = withScope {
  val scaleUpFactor = Math.max(conf.getInt("spark.rdd.limit.scaleUpFactor", 4), 2)
  if (num == 0) {
    new Array[T](0)
  } else {
    val buf = new ArrayBuffer[T]
    val totalParts = this.partitions.length
    var partsScanned = 0
    while (buf.size < num && partsScanned < totalParts) {
      // The number of partitions to try in this iteration. It is ok for this number to be
      // greater than totalParts because we actually cap it at totalParts in runJob.
      var numPartsToTry = 1L
      if (partsScanned > 0) {
        // If we didn't find any rows after the previous iteration, quadruple and retry.
        // Otherwise, interpolate the number of partitions we need to try, but overestimate
        // it by 50%. We also cap the estimation in the end.
        if (buf.isEmpty) {
          numPartsToTry = partsScanned * scaleUpFactor
        } else {
          // the left side of max is >=1 whenever partsScanned >= 2
          numPartsToTry = Math.max((1.5 * num * partsScanned / buf.size).toInt - partsScanned, 1)
          numPartsToTry = Math.min(numPartsToTry, partsScanned * scaleUpFactor)
        }
      }

      val left = num - buf.size
      val p = partsScanned.until(math.min(partsScanned + numPartsToTry, totalParts).toInt)
      val res = sc.runJob(this, (it: Iterator[T]) => it.take(left).toArray, p)

      res.foreach(buf ++= _.take(num - buf.size))
      partsScanned += p.size
    }

    buf.toArray
  }
}

总结：我在CSDN上的第一篇博客，望各界大佬多多指教！