场景
现在有如下数据格式
图书分类，图书名，数量
现在想统计全部分类中数量最多的书名以及数量
场景解析
如果不基于spark，我们来思考这个问题，数据量大内存是放不下，分类也不确定有多少类，图书名可能有重复，还需要合并计算。这种情况只能是分治，首先分类，把文件首先按照分类拆分成多个文件，每个文件中的数据都是图书名数量，然后根据图书名对数量进行合并，最后进行排序。
spark思维转化
上面的思路单独写这个程序没问题，但是如果基于spark就有点问题了，首先是分区的事情，想把数据准确落在不同的分区，且不重复，必须要先知道到底有多少分区。所以首先要统计分类种类，帮助以后分区。
分区器
//data是已经读取进来的图书分类的集合data.distinct().collect()
有了数据就要应用分区器
classMyPartionerextendsPartitioner{
private Map<String, Integer> part = new HashMap<>();
publicMyPartioner(List<String> data){
int count = 0;
for (String s : data) {
part.put(s, count++);
}
}
@Override publicintnumPartitions(){
return part.size();
}
@Override publicintgetPartition(Object o){
Keys info = (Keys) o;
return part.get(((Keys) o).type);
}
}
直接根据已经生成好的数据来进行分区。保证1个分类1个分区，这样就可以以后的部分就只关注排序即可。
数据合并
分区，分区器都准备好了，按照以前的思路，是不是应该把数据分散在不同的分区了。想法挺好，但是在分布式存储中，数据移动的成本很高，所以都是先对本地数据进行处理合并，减小数据量然后才进行数据的shuffle等分区操作，所以这里我们要做的其实是合并同类数据。
textFile.mapToPair(lines ->newTuple2(name,count)) .reduceByKey((x, y)->x + y);
这里是一个典型的单词计数的案例。
接下来就是想着分区，然后排序，如果你查查api的话，你会发现并没用按照value排序的算子。如果要排序的话，一定是key。这里发生了一个冲突点，就是你是按照type分区，次数的type就是key，接下来排序，其实就是按照type来排。 发现了我们要依赖key完成两件事，一个是分区，一个是排序。分区靠type，排序靠count。这里的解决方案就是用对象。计数之后，得到的结果会是一个<bookname,totalcount>的tuple。这个明显无法继续下去了，你连分区的条件都没了。 bookname和type是一一对应的，所以这里合并统计的是bookname+type的结构体。这样就满足了分区的条件了。 为了把排序的因子给加上，我们做个map操作，把type和count组织成一个对象。
classKeysimplementsSerializable{ String type; Integer count;publicKeys(String type, Integer count){this.type = type;this.count = count; }}
这样就给了我们很大的空间，在分区器里，取出key来进行操作，在排序的时候，写一个比较器，按照count来进行排序。
.repartitionAndSortWithinPartitions(newMyPartioner(collect),newKeyCompare());
直接使用分区并且排序的算子帮我解决这个问题。
小结
在大数据环境下，数据的shuffle操作的代价很大，所以优先考虑合并数据，然后再进行分区等等。spark的算子大部分都是对key进行生效的，例如排序等等，对value的操作大部分是合并和迭代，并没有单独的排序出来。所以要合理利用java对象来组合key值，完成功能。
大家喜欢多多关注，你的关注是我最大的动力。
作者：大数据首席数据师
链接：https://www.jianshu.com/p/f1966eea14f5
随时随地看视频
