Spark小练习——求各科老师最受欢迎的TopN
数据格式：http://bigdata.edu360.cn/laozhang
1.数据切分
val func=(line:String)=>{
val index=line.lastIndexOf("/")
val teacher=line.substring(index+1)
val httpHost=line.substring(0,index)
val subject=new URL(httpHost).getHost.split("[.]")(0)
// (subject,teacher)
//（teacher,1）
}
2.逻辑计算
2.1求所有科目中最受欢迎的老师topN
//拿到数据源
val lines=sc.textFile(path)
val teacherAndOne=lines.map(func)
val reduced=teacherAndOne.reduceByKey(_+_)
val sorted=reduced.sortBy(_._2,false)
val result=sorted.top(topN))
2.2求各科最受欢迎老师的topN
（1）使用Scala中的sortBy方法(适用于数据量较小的情况)
val lines=sc.textFile(path)
val subjectAndTeacher=lines.map(func)
val maped=subjectAndTeacher.map((_,1))
val reduced=maped.reduceByKey(_+_)
//按学科分组，得到的key是学科，value是学科对应的老师数据的迭代器
val grouped: RDD[(String, Iterable[((String, String), Int)])]=reduced.groupBy(_._1._1)
//将每一个组拿出来进行操作
//为什么可以调用scala的sortBy方法
//因为一个学科的数据已经在一台机器上的一个集合里了（缺点：在内存中序，
//如果数据量大的话，可能会出问题）
val sorted=grouped.mapValues(_.toList.sortBy(_._2).reverse.take(topN))
//数据量较小，所以就直接收集了，也可以把它存储到文件中
val result=sorted.collect()
（2）使用RDD中的sortBy方法(适用于数据量较大的情况)
val lines=sc.textFile(path)
val subjectAndTeacher=lines.map(func)
val subjects=subjectAndTeacher.keys.distinct()
val maped=subjectAndTeacher.map((_,1))
val reduced=maped.reduceByKey(_+_)
for(sb <- subjects){
val filter=reduce.filter(_._1.equals(sb))
//现在调用的是RDD上的sortBy方法，可在内存与磁盘中
//take方法是先在Executor中取好前几个再通过网络发送到Driver,是个 //Action
val r=filter.sortBy(_._2,false).take(topN)
//然后把r收集或存储起来
}
（3）自定义分区器，以学科来分区
i.分区器SubjectPartitioner
class SubjectPartitioner(subjects:Array[String]) extends Partitioner{
//相当于主构造器（new的时候会执行一次）
//用于存放规则的一个map
val rules=new mutable.HashMap[String,Int]()
var i=0
for(sb <- subjects){
rules(sb)=i
i=i+1
}
//返回分区的数量（下一个RDD有多少分区）
override def numPartitions:Int =subjects.length
//根据传入的key计算分区标号
override def getPartition(key: Any):Int ={
//key是一个元组(学科，老师)
//sb：学科
val sb=key.asInstanceOf[(String,String)]._1
//根据规则计算分区编号
rules(sb)
}
}
ii.逻辑
val lines=sc.textFile(path)
val subjectAndTeacher=lines.map(func)
val subjects=subjectAndTeacher.keys.distinct()
val maped=subjectAndTeacher.map((_,1))
//聚合
//第一次shuffle
val reduced=maped.reduceByKey(_+_)
//自定义分区器，按照指定的分区器来进行分区
//partitionBy按照指定的分区规则来分区
//第二次shuffle
val partitioned: RDD[((String, String), Int)] =reduce.partitionBy(new SubjectPartitioner(subjects))
//一次操作一个分区
val sorted=partitioned.mapPartitions(it => {
//将迭代器转换成List然后排序再转换成迭代器返回
it.toList.sortBy(_._2).reverse.take(topN).iterator
//缺点：又是加载到内存再排序
})
（4）减少shuffle次数
val lines=sc.textFile(path)
val subjectAndTeacher=lines.map(func)
val subjects=subjectAndTeacher.keys.distinct()
val maped=subjectAndTeacher.map((_,1))
//分区器
val sbPartitioner=new SubjectPartitioner(subjects)
//聚合
//第一次shuffle
val reduced=maped.reduceByKey(sbPartitioner,_+_)
//一次操作一个分区
val sorted=reduced.mapPartitions(it => {
//将迭代器转换成List然后排序再转换成迭代器返回
it.toList.sortBy(_._2).reverse.take(topN).iterator
//缺点：又是加载到内存再排序
//优化：即排序，又不全部加载到内存
//考虑用一个定长TreeSet来装从迭代器中取出的数据，然后排序留下topN，后面的再装入新的数据，再排序，重复操作直到迭代完该学科的所有数据
})
【注】本文参考自小牛课堂学习视频
随时随地看视频
