Spark: sortBy和sortByKey函数详解

在很多应用场景都需要对结果数据进行排序，Spark中有时也不例外。在Spark中存在两种对RDD进行排序的函数，分别是 sortBy和sortByKey函数。sortBy是对标准的RDD进行排序，它是从Spark 0.9.0之后才引入的（可以参见SPARK-1063）。而sortByKey函数是对PairRDD进行排序，也就是有Key和Value的RDD。下面将分别对这两个函数的实现以及使用进行说明。
　　

一、sortBy函数实现以及使用

　　sortBy函数是在org.apache.spark.rdd.RDD类中实现的，它的实现如下：

01

/**

02	* Return this RDD sorted by the given key function.

03

*/

04	def sortBy[K](

05	f: (T) => K,

06	ascending: Boolean = true,

07	numPartitions: Int = this.partitions.size)

08	(implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T] =

09	this.keyBy[K](f)

10	.sortByKey(ascending, numPartitions)

11

.values

　　该函数最多可以传三个参数：
　　第一个参数是一个函数，该函数的也有一个带T泛型的参数，返回类型和RDD中元素的类型是一致的；
　　第二个参数是ascending，从字面的意思大家应该可以猜到，是的，这参数决定排序后RDD中的元素是升序还是降序，默认是true，也就是升序；
　　第三个参数是numPartitions，该参数决定排序后的RDD的分区个数，默认排序后的分区个数和排序之前的个数相等，即为this.partitions.size。
　　从sortBy函数的实现可以看出，第一个参数是必须传入的，而后面的两个参数可以不传入。而且sortBy函数函数的实现依赖于sortByKey函数，关于sortByKey函数后面会进行说明。keyBy函数也是RDD类中进行实现的，它的主要作用就是将将传进来的每个元素作用于f(x)中，并返回tuples类型的元素，也就变成了Key-Value类型的RDD了，它的实现如下：

1

/**

2	* Creates tuples of the elements in this RDD by applying `f`.

3

*/

4	def keyBy[K](f: T => K): RDD[(K, T)] = {

5	map(x => (f(x), x))

6

}

　　那么，如何使用sortBy函数呢？

01

/**

02	* User: 过往记忆

03	* Date: 14-12-26

04	* Time: 上午10:16

05	* bolg: http://www.iteblog.com

06	* 本文地址：http://www.iteblog.com/archives/1240

07	* 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货

08	* 过往记忆博客微信公共帐号：iteblog_hadoop

09

*/

10	scala> val data = List(3,1,90,3,5,12)

11	data: List[Int] = List(3, 1, 90, 3, 5, 12)

12

13	scala> val rdd = sc.parallelize(data)

14	rdd: org.apache.spark.rdd.RDD[Int] =ParallelCollectionRDD[0] at parallelize at <console>:14

15

16	scala> rdd.collect

17	res0: Array[Int] = Array(3, 1, 90, 3, 5, 12)

18

19	scala> rdd.sortBy(x => x).collect

20	res1: Array[Int] = Array(1, 3, 3, 5, 12, 90)

21

22	scala> rdd.sortBy(x => x, false).collect

23	res3: Array[Int] = Array(90, 12, 5, 3, 3, 1)

24

25	scala> val result = rdd.sortBy(x => x, false)

26	result: org.apache.spark.rdd.RDD[Int] = MappedRDD[23] at sortBy at <console>:16

27

28	scala> result.partitions.size

29	res9: Int = 2

30

31	scala> val result = rdd.sortBy(x => x, false, 1)

32	result: org.apache.spark.rdd.RDD[Int] = MappedRDD[26] at sortBy at <console>:16

33

34	scala> result.partitions.size

35	res10: Int = 1

　　上面的实例对rdd中的元素进行升序排序。并对排序后的RDD的分区个数进行了修改，上面的result就是排序后的RDD，默认的分区个数是2，而我们对它进行了修改，所以最后变成了1。
　　

二、sortByKey函数实现以及使用

　　sortByKey函数作用于Key-Value形式的RDD，并对Key进行排序。它是在org.apache.spark.rdd.OrderedRDDFunctions中实现的，实现如下

1	def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.size)

2	: RDD[(K, V)] =

3

{

4	val part = new RangePartitioner(numPartitions, self, ascending)

5	new ShuffledRDD[K, V, V](self, part)

6	.setKeyOrdering(if (ascending) ordering else ordering.reverse)

7

}

　　从函数的实现可以看出，它主要接受两个函数，含义和sortBy一样，这里就不进行解释了。该函数返回的RDD一定是ShuffledRDD类型的，因为对源RDD进行排序，必须进行Shuffle操作，而Shuffle操作的结果RDD就是ShuffledRDD。其实这个函数的实现很优雅，里面用到了RangePartitioner，它可以使得相应的范围Key数据分到同一个partition中，然后内部用到了mapPartitions对每个partition中的数据进行排序，而每个partition中数据的排序用到了标准的sort机制，避免了大量数据的shuffle。下面对sortByKey的使用进行说明：

01

/**

02	* User: 过往记忆

03	* Date: 14-12-26

04	* Time: 上午10:16

05	* bolg: http://www.iteblog.com

06	* 本文地址：http://www.iteblog.com/archives/1240

07	* 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货

08	* 过往记忆博客微信公共帐号：iteblog_hadoop

09

*/

10	scala> val a = sc.parallelize(List("wyp", "iteblog", "com", "397090770", "test"), 2)

11	a: org.apache.spark.rdd.RDD[String] =

12	ParallelCollectionRDD[30] at parallelize at <console>:12

13

14	scala> val b = sc. parallelize (1 to a.count.toInt , 2)

15	b: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[31] at parallelize at <console>:14

16

17	scala> val c = a.zip(b)

18	c: org.apache.spark.rdd.RDD[(String, Int)] =ZippedPartitionsRDD2[32] at zip at <console>:16

19

20	scala> c.sortByKey().collect

21	res11: Array[(String, Int)] = Array((397090770,4), (com,3), (iteblog,2), (test,5), (wyp,1))

　　上面对Key进行了排序。细心的读者可能会问，soryKy函数中的第一个参数可以对排序方式进行重写。为什么sortByKey没有呢？难道只能用默认的排序规则。不是，是有的。其实在OrderedRDDFunctions类中有个变量ordering它是隐形的：private val ordering = implicitly[Ordering[K]]。他就是默认的排序规则，我们可以对它进行重写，如下：

01	scala> val b = sc.parallelize(List(3,1,9,12,4))

02	b: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[38] at parallelize at <console>:12

03

04	scala> val c = b.zip(a)

05	c: org.apache.spark.rdd.RDD[(Int, String)] =ZippedPartitionsRDD2[39] at zip at <console>:16

06

07	scala> c.sortByKey().collect

08	res15: Array[(Int, String)] =Array((1,iteblog), (3,wyp), (4,test), (9,com), (12,397090770))

09

10	scala> implicit val sortIntegersByString = new Ordering[Int]{

11	| override def compare(a: Int, b: Int) =

12	| a.toString.compare(b.toString)}

13	sortIntegersByString: Ordering[Int] = $iwC$$iwC$$iwC$$iwC$$iwC$$anon$1@5d533f7a

14

15	scala>  c.sortByKey().collect

16	res17: Array[(Int, String)] =Array((1,iteblog), (12,397090770), (3,wyp), (4,test), (9,com))

　　例子中的sortIntegersByString就是修改了默认的排序规则。这样将默认按照Int大小排序改成了对字符串的排序，所以12会排序在3之前。

转载自过往记忆（http://www.iteblog.com/）