SparkRDD算子实例--统计每一个省份广告被点击次数的TOP3

数据源

时间戳 省份 城市 用户 广告
1516609143867 6 7 64 16
1516609143869 9 4 75 18
1516609143869 1 7 87 12
...

需求

统计每一个省份广告被点击次数的TOP3

代码

package com.day1

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

//需求：统计出每一个省份广告被点击次数的TOP3
object oper {
    def main(args: Array[String]): Unit = {

        //1.初始化spark配置信息并建立与spark的连接
        val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Practice")
        val sc = new SparkContext(sparkConf)

        //2.读取数据生成RDD：TS，Province，City，User，AD
        val line = sc.textFile("E:\\学习\\资料\\agent.log")

        //3.按照最小粒度聚合：((Province,AD),1)
        val provinceAdToOne = line.map { x =>
            val fields: Array[String] = x.split(" ")
            ((fields(1), fields(4)), 1)
        }

        //4.计算每个省中每个广告被点击的总数：((Province,AD),sum)
        val provinceAdToSum = provinceAdToOne.reduceByKey(_ + _)

        //5.将省份作为key，广告加点击数为value：(Province,(AD,sum))
        val provinceToAdSum = provinceAdToSum.map(x => (x._1._1, (x._1._2, x._2)))

        //6.将同一个省份的所有广告进行聚合(Province,List((AD1,sum1),(AD2,sum2)...))
        val provinceGroup = provinceToAdSum.groupByKey()

        //7.对同一个省份所有广告的集合进行排序并取前3条，排序规则为广告点击总数
        val provinceAdTop3 = provinceGroup.mapValues { x =>
            x.toList.sortWith((x, y) => x._2 > y._2).take(3)
        }

        //8.将数据拉取到Driver端并打印
        provinceAdTop3.collect().foreach(println)

        //9.关闭与spark的连接
        sc.stop()
    }

}

输出：
(4,List((12,25), (2,22), (16,22)))
(8,List((2,27), (20,23), (11,22)))
(6,List((16,23), (24,21), (22,20)))
(0,List((2,29), (24,25), (26,24)))
(2,List((6,24), (21,23), (29,20)))
(7,List((16,26), (26,25), (1,23)))
(5,List((14,26), (21,21), (12,21)))
(9,List((1,31), (28,21), (0,20)))
(3,List((14,28), (28,27), (22,25)))
(1,List((3,25), (6,23), (5,22)))

示意图