Spark的几种去重的原理分析

前言

我们经常做去重的操作，事实上几种方式可以实现去重，但是结果的理解其实是不一样的，不过在一定程度上这几种也都可以满足我们的需求。

参考数据

id	name
1	a
2	b
1	a
1	b

Distinct去重

这个其实是真正的去重，语意上其实就是如果出现一样的结果，则就显示一行
可以作用单行或者多行

select distinct id from t;

id
1
2

或者是
select distinct id,name from t;
作用多行的时候多行要一起相等才行

id	name
1	a
2	b
1	b

group by操作

实际上这个要求去重列作为聚合字段,我们一般可以做聚合去实现

select count(*) as cnt,id,name from t group by id,name;

当我们不关心聚合结果的时候得到的结果就是去重的结果了

row_number开窗操作

实际上我们要分开来看，首先是开窗之后的结果

select row_number() over (partition by id)  as rn ,id,name  from t

rn	id	name
1	1	a
2	1	b
3	1	b
1	2	b

这个操作会把相同的id增加一个序号列，我们一般是外面套一个过滤条件去筛选

select * from (
select row_number() over (partition by id)  as rn ,id,name  from t
) h where h.rn=1; 

这种做法实际上是在所有记录中取一条记录。

性能分析

事实上直接的distinct的话直接做一次reduceByKey就可以了,简单来说，这个在map端是可以优化

当然优化都是建立在数据量大的时候才有意义，当数据输出比较大的时候，map端可以多做一步

同样的道理，我们做group by其实也可以这样子做，这个技术其实是combine技术，减少网络传输

关键的前提是允许这么干才行，否则是拿不到要的结果的,row_number()的操作类似这样子的，需要提前编号，再进行过滤

从图中就可以发现，中间过程的要求，导致我们不能做一个map操作的优化，所以其实是会慢一些，但是row_number实际上会保留我们需要的那行数据本身，所以大部分情况是不能被group by替代的

总结

其实几种去重的方式本质上意义是不一样的，这也是满足不同的需求下的操作，表面上差不多，实际考虑实现的时候还是要多琢磨一下。