Spark SQL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。

• 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

  预备工作：启动集群的HDFS与Spark

• 

   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、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）
• 

  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
• 

 在设置上配置maven