Spark多路径输出和二次排序实例讲解

在实际应用场景中，我们对于Spark往往有各式各样的需求，比如说想MR中的二次排序，Top N，多路劲输出等。那么这篇文章我们就来看下这几个问题。

二次排序

假设我们的数据是这样的：

1   2
1   3
1   1
1   6
1   4
2   5
2   8
2   3

我们想要实现第一列按降序排列，当第一列相同时，第二列按降序排列

定义一个SecondSortKey类：

class SecondSortKey(val first: Int, val second: Int)
  extends Ordered[SecondSortKey] with Serializable {
  override def compare(that: SecondSortKey): Int = {
    if (this.first - that.first == 0) {
      this.second - that.second
    } else {
      this.first - that.first
    }
  }
}

然后这样去使用

val lines = sc.textFile("test.txt")
val pairs = lines.map { x =>
      (new SecondSortKey(x.split("\\s+")(0).toInt,
        x.split("\\s+")(1).toInt), x)
    }
val sortedPairs = pairs.sortByKey(false);
sortedPairs.map(_._2).foreach(println)

当然这里如果想按第一列升序，当第一列相同时，第二列升序的顺序排列，只需要对SecondSoryKey做如下修改即可

class SecondSortKey(val first: Int, val second: Int)
  extends Ordered[SecondSortKey] with Serializable {
  override def compare(that: SecondSortKey): Int = {
    if (this.first - that.first !== 0) {
      this.second - that.second
    } else {
      this.first - that.first
    }
  }
}

当时使用的使用去掉

pairs.sortByKey(false)

中的false

Top N

同样还是上边的数据，假设我们要得到第一列中的前五位

val lines = sc.textFile("test.txt")
val rdd = lines
        .map(x => x.split("\\s+"))
        .map(x => (x(0),x(1)))
        .sortByKey()
rdd.take(N).foreach(println)

多路径输出

自己在使用的过程中，通过搜索发现了两种方法

1：调用saveAsHadoopFile函数并自定义一个OutputFormat类

自定义RDDMultipleTextOutputFormat类

RDDMultipleTextOutputFormat类中的generateFileNameForKeyValue函数有三个参数，key和value就是我们RDD的Key和Value，而name参数是每个Reduce的编号。本例中没有使用该参数，而是直接将同一个Key的数据输出到同一个文件中。

import org.apache.hadoop.mapred.lib.MultipleTextOutputFormat  

class RDDMultipleTextOutputFormat extends MultipleTextOutputFormat[Any, Any] {  
  override def generateFileNameForKeyValue(key: Any, value: Any, name: String): String =  
    key.asInstanceOf[String]  
}  

调用

sc.parallelize(List(("w", "www"), ("b", "blog"), ("c", "com"), ("w", "bt")))  
      .map(value => (value._1, value._2 + "Test"))  
      .partitionBy(new HashPartitioner(3))  
      .saveAsHadoopFile("/iteblog", classOf[String],classOf[String],classOf[RDDMultipleTextOutputFormat])  

这里的

new HashPartitioner(3)

中的3是有key的种类决定的，当然在实际应用场景中，我们可能并不知道有多少k，这个时候就可以通过一个rdd 的 distinct操作来得到唯一key的数目。

2：使用dataframe

people_rdd = sc.parallelize([(1, "alice"), (1, "bob"), (2,"charlie")])
people_df = people_rdd.toDF(["number", "name"])
people_df.write.partitionBy("number").format("text").save(path  )

当然这两种方法都有一个缺陷，就是当数据量特别大的时候，数据在repartition的过程中特别耗费资源，也会容易出现任务failed的情况，小编采用的解决办法是，适当的对原rdd进行split，然后遍历每个rdd，进行multioutput操作

形似如下：

val rdd = sc.textFile(input)
var split_rdd = rdd.randomSplit(Array(1.0,1.0,1.0,1.0))
for (one <- Array(1,2,3,4))
{
    split_rdd(one)XXXX
}