Spark RDD案例：分组排行榜

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。
• 进入/home目录，创建grades.txt文件，上传到HDFS上/input目录
  

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
  

<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>net.qzj.rdd</groupId>
    <artifactId>GradeTopN</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>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.3.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.3.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

（三）创建日志属性文件

• 在资源文件夹里创建日志属性文件 - log4j.properties
  
  

（四）创建分组排行榜单例对象

• 在net.qzj.rdd包里创建GradeTopN单例对象
  
  
  

（五）本地运行程序，查看结果

• 在控制台查看输出结果
  

（六）交互式操作查看中间结果

1.读取成绩文件得到RDD

• 执行命令：val lines = sc.textFile("hdfs://master:9000/input/grades.txt")
  

2.利用映射算子生成二元组构成的RDD

val grades = lines.map(line => {
          val fields = line.split(" ")
          (fields(0), fields(1))
        })

• 执行上述代码
  

3.按键分组得到新的二元组构成的RDD

• 执行命令：val groupGrades = grades.groupByKey()
  

4.按值排序，取前三

• 执行代码
  

5.按指定格式输出结果

• 执行代码